.png){kind=icon}
返回
Bayesian network parameter learning with constraint tradeoff
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122839.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当训练数据不足时，单纯使用数据学习贝叶斯网络（BN）参数可能导致过拟合，难以获得精确参数。大量研究通过将专家知识转化为参数约束来提高学习精度。然而，约束的可信度难以保证，过度依赖约束可能导致参数欠拟合。因此，本文尝试通过权衡数据和约束在学习中的作用来设计一种简单有效的约束控制机制，以平衡欠拟合和过拟合。该控制机制遵循两条规则：每个参数的样本对学习精度的影响大于网络样本；数据越多，约束干预越少，反之亦然。随后，将此机制应用于最大后验估计（MAP）和数据扩展。提出了一种约束控制机制MAP（CCM-MAP），CCM-MAP通过约束量化先验参数，并利用该机制选择超参数。提出了一种约束控制机制bootstrap（CCM-B），CCM-B通过约束量化先验参数，并利用该机制确定参数bootstrap的扩展函数。大量实验验证了所提两种方法能够提高参数学习的精度。
Keyword:
Bayesian network
Parameter learning
Overfitting
Underfitting
期刊
IF:
6.8
论文数:
540
被引数:
6.2W
机构
引用论文
Abnormal Condition Identification Modeling Method Based on Bayesian Network Parameters Transfer Learning for the Electro-Fused Magnesia Smelting Process.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Bayesian network model for buried gas pipeline failure analysis caused by corrosion and external interference埋地燃气管道腐蚀与外界干扰失效分析的贝叶斯网络模型
PREAI
分享收藏Bayesian network parameter learning using constraint-based data extension methodAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏A Conditional Probability Model to Predict the Mortality in Patients With Breast Cancer: A Bayesian Network Analysis一种预测乳腺癌患者死亡率的条件概率模型：贝叶斯网络分析
PREAI
分享收藏A failure probability evaluation method for collapse of drill-and-blast tunnels based on multistate fuzzy Bayesian networkENGINEERING GEOLOGY
ENGINEERING GEOLOGYIF8.4
PREAI
分享收藏
查看更多内容