.png){kind=icon}
.png){kind=icon}
返回
Improving structural learning in Bayesian networks: Stationarity analysis for algorithm choice
.png){kind=icon}
OA
AI
DOI：10.1016/j.dim.2025.100097.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯网络中的结构学习对于复杂系统的精确建模至关重要。然而，结构学习算法的性能会受到数据特征的影响。本研究探讨了数据平稳性对结构学习算法性能的影响，并提出了一种基于平稳性分析的算法选择度量。我们比较了各种算法在平稳和非平稳数据集上的性能，使用KPSS检验评估平稳性。研究发现，Max-Min Hill Climbing (MMHC)特别适用于平稳数据，而Hill Climbing在非平稳数据上表现更优。这些结果表明根据数据特征定制算法选择的重要性，并为研究者和实践者提供了实践指导。未来研究可探索更自适应算法的开发，并深入探究数据平稳性与算法性能之间的关系。
Keyword:
Bayesian networks
Structural learning
Temporal data
Stationary analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。