貝葉斯網絡隱藏變量維數學習研究及應用.pdf

1、在過去的數十年間,很多研究集中于通過數據驅動的方式來學習貝葉斯網絡。但是現實世界是復雜多變的,有許多知識是隱蔽的,不易被觀測到。在關于貝葉斯網絡的研究中,也存在同樣的問題,這就是隱變量。隱變量是不可觀察到的變量,但是隱變量往往能夠簡化可觀測變量之間的復雜的依賴關系,優(yōu)化貝葉斯網絡模型。學習隱變量已成為貝葉斯網絡研究領域的一項重要內容;發(fā)現隱變量的維數是隱變量研究中的一項難題。隱變量維數學習可以應用于構建包含隱變量的基因調控網絡。因此,研

2、究隱變量維數具有重要的科學意義和較高的應用價值,同時也是一個充滿挑戰(zhàn)性的問題。
　　在本文中,將針對貝葉斯網絡隱變量維數的學習展開一系列的探討。隱變量維數的學習內容主要包括兩個方面:一是,單隱變量維數的學習;二是,多隱變量的維數學習。針對這兩個方面的研究內容,論文所開展的具體研究工作如下:
　　第一,針對現有學習方法都難以準確學習隱變量維數的缺點,提出一種新穎的基于模擬退火策略控制下的評分凝聚算法(SSA算法)學習隱變量維數

3、。SSA算法的基本思想:首先,利用馬爾科夫獨立性假設和BDe評分的可分解性排除網絡中與隱變量條件獨立的節(jié)點,提取由隱變量及其馬爾科夫毯變量組成的局部網絡。以局部網絡替代原始網絡進行維數學習,可以有效減少算法的運算時間;其次,確定隱變量的最大可能維數并填補數據集;再次,為隱變量取每種可能維數時的網絡進行評分,同時使用模擬退火策略控制隱變量取值狀態(tài)的合并;最終學習到隱變量的最優(yōu)維數。
　　第二,貝葉斯網絡中存在多個隱變量時,多隱變量間

4、可能存在復雜的依賴關系,尤其是當多個隱變量不是相互獨立時。針對當前的方法不能有效學習多隱變量維數的問題,我們以SSA算法為基礎提出學習多隱變量維數的MSSA算法。該算法的基本思想是:設置一個隊列用以存放待學習的隱變量。每次只改變一個隱變量的維數并對網絡評分,這可以使用SSA算法來實現。在改變了某個隱變量的維數之后,將與其非獨立的隱變量加入對列中。直至隊列為空或隱變量維數不再改變?yōu)橹?算法終止。最終學習到多隱變量的最優(yōu)維數。
　　通