基于靈敏性分析的貝葉斯網(wǎng)絡(luò)擾動學習方法研究.pdf

1、利用數(shù)據(jù)發(fā)現(xiàn)結(jié)構(gòu)模型中的因果關(guān)系是機器學習領(lǐng)域中的一個重要研究內(nèi)容。當前的結(jié)構(gòu)模型因果發(fā)現(xiàn)主要有兩類，一種是直接利用觀察數(shù)據(jù)的被動學習方法，另一種是結(jié)合觀察數(shù)據(jù)和擾動數(shù)據(jù)的擾動學習方法。基于這兩類方法，引入靈敏性分析理論，研究了因果結(jié)構(gòu)模型的因果結(jié)構(gòu)和參數(shù)的特性，并利用實驗驗證的因果結(jié)構(gòu)模型特性分析的有效性。本文的內(nèi)容可以分為以下幾個部分：
　　 (1)簡要介紹了貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學習和參數(shù)學習、貝葉斯網(wǎng)絡(luò)的擾動學習和靈敏性分析等

2、因果學習方法和技術(shù)的研究現(xiàn)狀。
　　 (2)針對擾動學習中的擾動結(jié)點難以確定的問題，提出了一種基于參數(shù)靈敏性分析的擾動結(jié)點擾動選擇的因果網(wǎng)絡(luò)擾動學習算法(Intervention Learning of Parameter Sensitivity Analysis,ILPSA)。ILPSA算法對于給定的先驗網(wǎng)絡(luò)，通過局部網(wǎng)絡(luò)參數(shù)的靈敏性分析擾動選取靈敏性結(jié)點作為擾動結(jié)點，進而對擾動結(jié)點的擾動干擾產(chǎn)生擾動數(shù)據(jù)，然后聯(lián)合觀察數(shù)據(jù)和擾

3、動數(shù)據(jù)利用最大似然估計的方法(MLE)進行因果網(wǎng)絡(luò)的學習，利用KL-divergence對學習的結(jié)果進行評價。實驗結(jié)果表明ILPSA算法在樣本很小的情況下，學習到的結(jié)果明顯好于隨機選擇擾動結(jié)點和被動MLE學習的方法。
　　 (3)由于利用觀察數(shù)據(jù)不能夠有效地學習到因果結(jié)構(gòu)，需要通過外部的擾動進一步收集關(guān)于因果結(jié)構(gòu)的信息。提出了一種基于局部靈敏性分析的主動選擇擾動邊的因果結(jié)構(gòu)擾動學習算法（Intervention Learning