贝叶斯网络由于其强大的不确定性推理能力和因果可表示性越来越受到研究者的关注。从数据中学习一个贝叶斯网络结构被称为NP-hard问题。其中,针对K2算法强依赖于变量拓扑序的问题,提出了一种组合变量邻居集和v-结构信息的K2改进学习方法...贝叶斯网络由于其强大的不确定性推理能力和因果可表示性越来越受到研究者的关注。从数据中学习一个贝叶斯网络结构被称为NP-hard问题。其中,针对K2算法强依赖于变量拓扑序的问题,提出了一种组合变量邻居集和v-结构信息的K2改进学习方法TSK2(Two-Step Search Strategy of K2)。该方法有效减小了序空间搜索规模,同时避免了过早陷入局部最优。具体而言,该方法在约束算法定向规则的启示下,借助识别的v-结构和邻居集信息可靠调整汇点的邻居在序中的位置;其次,在贝网基本组成结构的启发下,借助变量邻居集信息,通过执行顺连、分连、汇连3个基本结构的搜索,准确修正父节点与子节点的序位置,获得最优序列。实验结果表明,在Asia和Alarm网络数据集上,与对比方法相比,所提算法的准确率得到显著提升,可以获得更准确的网络结构。展开更多
通过研究网络的拓扑结构可以探索到丰富的知识,特别是网络中节点的邻居可以形成不同的邻居结构,而不同的结构蕴含着不同的意义,进而也有着不同的影响。实际上,邻居结构与节点的交互行为之间是互相影响、互为因果的。对三种最为普遍的邻...通过研究网络的拓扑结构可以探索到丰富的知识,特别是网络中节点的邻居可以形成不同的邻居结构,而不同的结构蕴含着不同的意义,进而也有着不同的影响。实际上,邻居结构与节点的交互行为之间是互相影响、互为因果的。对三种最为普遍的邻居结构进行分析,并提出结合深度学习的网络邻居结构影响力模型DNSI(neighbor structure influence based on deep learning)。通过对图片格式的网络数据提取特征,DNSI可以得到三种邻居结构影响力。分别在几个真实世界网络数据集上进行节点属性预测、类别中心度度量和用户行为预测等任务,实验结果表明该模型在绝大多数情况下具有优越性。展开更多
文摘贝叶斯网络由于其强大的不确定性推理能力和因果可表示性越来越受到研究者的关注。从数据中学习一个贝叶斯网络结构被称为NP-hard问题。其中,针对K2算法强依赖于变量拓扑序的问题,提出了一种组合变量邻居集和v-结构信息的K2改进学习方法TSK2(Two-Step Search Strategy of K2)。该方法有效减小了序空间搜索规模,同时避免了过早陷入局部最优。具体而言,该方法在约束算法定向规则的启示下,借助识别的v-结构和邻居集信息可靠调整汇点的邻居在序中的位置;其次,在贝网基本组成结构的启发下,借助变量邻居集信息,通过执行顺连、分连、汇连3个基本结构的搜索,准确修正父节点与子节点的序位置,获得最优序列。实验结果表明,在Asia和Alarm网络数据集上,与对比方法相比,所提算法的准确率得到显著提升,可以获得更准确的网络结构。
文摘通过研究网络的拓扑结构可以探索到丰富的知识,特别是网络中节点的邻居可以形成不同的邻居结构,而不同的结构蕴含着不同的意义,进而也有着不同的影响。实际上,邻居结构与节点的交互行为之间是互相影响、互为因果的。对三种最为普遍的邻居结构进行分析,并提出结合深度学习的网络邻居结构影响力模型DNSI(neighbor structure influence based on deep learning)。通过对图片格式的网络数据提取特征,DNSI可以得到三种邻居结构影响力。分别在几个真实世界网络数据集上进行节点属性预测、类别中心度度量和用户行为预测等任务,实验结果表明该模型在绝大多数情况下具有优越性。
