一种基于结构分解和因子分析的贝叶斯网络隐变量发现算法

计算机科学 ›› 2012, Vol. 39 ›› Issue (2): 250-254.

一种基于结构分解和因子分析的贝叶斯网络隐变量发现算法

姚宏亮,王秀芳,王浩

(合肥工业大学计算机与信息学院合肥 230009)

出版日期:2018-11-16 发布日期:2018-11-16

Hidden Variable Discovering Algorithm of Bayesian Networks Based on Structural Decomposition and Factor Analysis

Online:2018-11-16 Published:2018-11-16

摘要/Abstract

摘要： 隐变量是观察不到或虚拟的变量，直接利用数据驱动的学习方法难以有效地发现隐变量，因而需要结合概率图结构分析的方法。针对基于结构分析的隐变量发现方法中难以确定隐变量个数和位置的问题，提出一种基于结构分解和因子分析的隐变量发现算法(S-FAHF) o S-FAHF算法利用联合树算法生成具较强依赖关系的变量子集，利用因子分析思想，通过求变量子集的特征值和累积贡献率确定变量子集中隐变量的个数，利用负荷矩阵确定隐变量的位置，最后利用打分函数测试所发现的隐变量的有效性。通过算法比较和实验结果表明，该方法能准确地确定贝叶斯网络中隐变量的个数及位置。

关键词: 隐变量发现，贝叶斯网络，因子分析，13IC打分函数，}FAHF算法

Abstract: 隐变量是观察不到或虚拟的变量，直接利用数据驱动的学习方法难以有效地发现隐变量，因而需要结合概率图结构分析的方法。针对基于结构分析的隐变量发现方法中难以确定隐变量个数和位置的问题，提出一种基于结构分解和因子分析的隐变量发现算法(S-FAHF) o S-FAHF算法利用联合树算法生成具较强依赖关系的变量子集，利用因子分析思想，通过求变量子集的特征值和累积贡献率确定变量子集中隐变量的个数，利用负荷矩阵确定隐变量的位置，最后利用打分函数测试所发现的隐变量的有效性。通过算法比较和实验结果表明，该方法能准确地确定贝叶斯网络中隐变量的个数及位置。

Key words: Hidden variable discovering, Bayesian networks, Factor analysis,13IC scoring function, }FAHF algorithm

姚宏亮,王秀芳,王浩. 一种基于结构分解和因子分析的贝叶斯网络隐变量发现算法[J]. 计算机科学, 2012, 39(2): 250-254. https://doi.org/

参考文献

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed