A modified Bayes method of forming network structure

The present paper offers a modified procedure for learning Bayesian network in terms of the statistical data. Moreover, the introduced recursive formulas enable the computational process optimization, and the implemented algorithm of heuristic search for discovering BN structure allows avoiding dependence of vertices from their initial ordering.

Publication year: 
2008
Issue: 
1
УДК: 
6250
С. 18–27, укр., Іл. 4. Бібліогр.: 13 назв.
References: 

1. Kjerulff U. Constructing Bayesian Networks: Report of Reykjavik University, April, 2005. — 77 p.
2. Nelson D.J. Finding useful questions: on Bayesian diagnosticity, probability, impact, and information gain // Psychological Review. — 2005. — 112, N 4. — P. 979—999.
3. Portinale L., Bobbio A. Beyesian networks for dependability analysis: an application to digital control reliability // 17th National Conf. on Artificial Intelligence, 2000.
4. Cheng J., Greiner R. Learning Bayesian belief network classifiers: algorithms and system // Canadian conference on artificial intelligence (CSCSI01). — Canada, 2001. — P. 141—151.
5. Бідюк П.І. Оцінювання і прогнозування стану малого підприємства за допомогою мережі Байєса // Наукові праці Миколаїв. держ. гуманітар. ун-ту ім. Петра Могили. — 2005. — Вип. 44. — С. 7—29.
6. Murphy K.P. A Brief introduction to graphical models and Bayesian networks / http://www.berkeley.edu. — 19 p.
7. Niedermayer D. An Introduction to Bayesian networks and their contemporary applications / http://www.niedermayer.ca, 2006. — 13 p.
8. Robinson R.W. Counting unlabeled acyclic digraphs //Proc. of The Fifth Australian Conf. on Combinat. Mathematics. — Melbourne, Australia, 1976. — Р. 28—43.
9. Leray P., Francois O. BNT structure learn package: documentation and experiments / Technical report, laboratory PSI-INSA Rouen-FRE CNRS 2645, November 2004. — 27 p.
10. Терентьев А.Н., Бидюк П.И. Эвристический метод построения байесовских сетей // Міжнар. НТК “Інтелектуальні системи підтримки прийняття рішень та прикладні аспекти сучасних інформаційних технологій”. — Євпаторія, 2006. — Т. 1. — С. 401—403.
11. Grunwald P. A Tutorial Introduction to the Minimum Description Length Principle // Advances in Minimum Description Length: Theory and Applications. — Cambridge, MA: MIT Press, 2005. — 80 p.
12. Suzuki J. Learning Bayesian Belief Networks Based on the MDL Principle: An Efficient Algorithm Using the Branch and Bound Technique // IEICE Trans. on Information and Systems. — 1999. — Р. 356—367.
13. Suzuki J. Learning Bayesian Belief Networks based on the Minimum Description length Principle: Basic Properties // IEICE Trans. on Fundamentals. — 1999. — E82-A, N 93. — 9 p.

AttachmentSize
2008-1-3.pdf289.04 KB

Тематичні розділи журналу

,