一种数据缺失下贝叶斯网络增量学习的有效方法  

AN EFFICIENT APPROACH FOR INCREMENTAL LEARNING IN BAYESIAN NETWORK WITH MISSING VALUES

作　　者：李亚飞[1] 吕强[1,2] 单冬冬[1] 王磊[1] 

机构地区：[1]苏州大学计算机科学与技术学院,江苏苏州215006 [2]江苏省计算机信息处理技术重点实验室,江苏苏州215006

出　　处：《计算机应用与软件》2010年第2期73-75,共3页Computer Applications and Software

基　　金：国家教育部博士点基金(20060285008);江苏省自然科学基金(BK2003030)

摘　　要：提出一种在数据缺失下增量学习贝叶斯网络的有效算法IBN-M。IBN-M用结构化的EM算法来补全数据集中缺失的数据,并且能在并行和启发式搜索策略提供的较大的搜索空间里搜索,有效地避免了采用结构化EM算法而导致的局部极值。同时采用增量学习的方法,解决了大规模数据学习存在的内存空间不足的问题。实验结果表明IBN-M算法在数据缺失下贝叶斯网络的增量学习中确实能够学出相对精确的网络模型。This article presents an efficient algorithm--IBN-M for incremental learning in Bayesian Network with missing values. IBN-M uses the structural EM（ expectation maximisation） algorithm to complement the missing value in dataset,and it can search in a bigger searching space provided by the parallel and heuristic strategies, which effectively avoids local maximal caused by structural EM algorithm. It deploys the method of incremental learning at the same time which resolves the deficient memory space caused by large dataset learning. Experimental result indicates that the IBN-M algorithm do derive from incremental learning the relatively accurate network in the Bayesian Network with missing values.

关 键 词：贝叶斯网络 增量学习 缺失数据 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程] TP311.13[自动化与计算机技术—控制科学与工程]