不完备证据条件下的Bayesian网络参数学习

摘要

在Bayesian网络推理中,对节点做参数学习是必不可少的.但在学习过程中,常常会出现证据丢失,导致参数收敛速度减慢,同时影响参数学习的精确度,甚至给参数收敛带来困难.针对这样的问题,本文提出一种证据丢失参数模型,并推导出包含学习率的EM更新算法.收敛性能的理论分析和仿真试验结果两方面均表明,新算法与传统处理算法相比,在不降低参数估计精度的前提下,具有更快的收敛速度,为保证不完备证据条件下可信高效的Bayes-ian网络参数学习提供了一条可行的解决途径.