论文部分内容阅读
贝叶斯网络(Bayesian Network或BN)是人工智能领域进行建模和不确定性推理的一个有效工具。贝叶斯网推理的基本任务是：给定一组证据变量观察值，通过搜索条件概率表计算一组查询变量的后验概率分布。在现实应用中，观察到的证据值可以为任意值，即证据值可能不包含在条件概率表中。因此，有必要提出一种在给定任意证据值时都能计算后验概率分布的方法。针对这个问题，本文主要讨论了带学习功能的贝叶斯网的构造和推理：当从样本中构造贝叶斯网结构时，也从样本中学习极大似然参数(极大似然假设)，用以取代相应的条件概率表，即把极大似然参数看作是贝叶斯网的一部分。
使用传统方法从样本中构造了贝叶斯网结构之后，本文主要关注如何从样本中学习极大似然参数。贝叶斯网中包含两种推理方法：正向推理和反向推理。对于正向推理，我们提出了基于支持向量机和Sigmoid函数来学习极大似然参数的方法。对于反向推理，首先基于贝叶斯公式，把反向推理问题转化为正向推理问题；然后对极大似然参数进行线性插值。
然而，对于已经构造完的贝叶斯网，它们很可能没有原始样本。针对这种情况，本文提出了把现有条件概率表映射成样本的方法，进而从得到的样本中学习极大似然假设。
进一步，为应用带有极大似然假设的贝叶斯网进行近似推理，本文给出了相应的Gibbs采样算法。
最后，我们给出一个应用实例，并给出了测试学习极大似然假设算法精度和验证Gibbs采样算法收敛性的实验。初步实验结果表明我们的方法是可行的。
本文的主要贡献如下：
●本文提出了学习带有学习功能的贝叶斯网的方法，即当使用现有方法从样本中构造贝叶斯网结构时，基于支持向量机和Sigmoid函数，也从样本中学习极大似然假设，用以取代相应的条件概率表。然后基于带有极大似然假设的贝叶斯网，本文进一步提出了相应的正向和反向推理方法。这解决了给定任意证据值都能进行推理的问题。
●本文提出了把现有条件概率表映射成样本的方法，实现了从现有条件概率表中也能学习极大似然假设，解决了对于已经构造完的贝叶斯网(可能没有原始样本)，给定任意证据值也能进行推理的问题。
●进一步，为应用带有极大似然假设的贝叶斯网进行近似推理，本文给出了相应的Gibbs采样算法。一点程度上解决了贝叶斯网精确推理的低效问题。