小样本贝叶斯网络参数学习方法

• 作者: 廖士中 李子达
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 贝叶斯网络 参数学习 小样本 迁移学习 目标域
• 年，卷（期）: 2016,（8）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 153-159,165
• 页数: 8页
• 分类号: TP181
• 字数: 7289字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2016.08.028

摘要

当训练数据充分时,极大似然估计方法是贝叶斯网络参数学习典型且有效的方法.但当训练数据量少且领域知识缺乏时,极大似然估计往往无法给出一致无偏的参数估计.为此,提出一种新的贝叶斯网络参数学习方法TL-WMLE.将极大似然估计方法与迁移学习理论、样本不均衡方法相结合,解决数据量过少、领域知识缺乏时的贝叶斯网络参数学习问题.使用SMOTE-N方法构建辅助分类器,并依据协变量偏移理论,利用辅助分类器的分类结果来计算源域数据权值.采用赋权的源域数据和目标域数据构造目标域的似然函数,应用该似然函数对目标域的参数进行极大似然估计.实验结果表明,在小样本情况下,该方法的分类精度优于极大似然估计方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	廖士中	天津大学计算机科学与技术学院	40	162	9.0	10.0
2	李子达	天津大学计算机科学与技术学院	2	14	2.0	2.0