基于正则化的贝叶斯网络结构稀疏学习及应用研究
发布时间：2021-10-25 15:09
贝叶斯网络是一种表示随机变量联合分布的有效建模工具,被广泛用于不确定性系统的建模和推理。它用有向无环图从全局角度揭示了所有随机变量间存在的直接和间接联系,同时可用随机变量的概率分布量化变量间概率依赖的程度。其中,从数据中自动识别最优的贝叶斯网络结构是研究的热点和难点。高维背景下,面向中小型网络的传统贝叶斯网络结构学习方法在搜索最优贝叶斯网络时遇到了挑战。贝叶斯网络有向无环图空间会随网络节点的增加呈指数倍增长,高维数据的出现使得该空间暴增,进而使得搜索工作计算量大、时间成本高,有效性差;同时,高维数据还会使贝叶斯网络结构学习模型变得愈加复杂,产生过拟合问题,模型泛化能力和解释能力差。针对高维背景下贝叶斯网络结构学习面临的问题,学者们对贝叶斯网络结构施加各种软硬约束以稀疏化网络结构,从而简化大型复杂网络的结构学习。硬约束是人工主观地将节点最大相邻节点数或父节点数统一设定为一个较小的常数,此类方法忽视了不同节点连接密度的不均匀性。软约束是给贝叶斯网络结构学习模型添加基于1或0范数约束,实现从数据自动学习稀疏的网络结构。此类方法为基于正则化的贝叶斯网...
【文章来源】：山西财经大学山西省
【文章页数】：213 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外文献综述
1.2.1 贝叶斯网络结构稀疏性的界定
1.2.2 一般的贝叶斯网络结构学习方法研究
1.2.3 贝叶斯网络结构稀疏学习相关研究
1.2.4 发展动态分析
1.3 研究内容与方法
1.4 主要工作和创新
1.5 论文的基本结构
第2章 贝叶斯网络相关基础知识及方法
2.1 贝叶斯网络基本概念及理论
2.1.1 贝叶斯网络基本概念及符号表示
2.1.2 贝叶斯网络学习
2.2 正则化与贝叶斯网络稀疏学习
2.2.1 正则化
2.2.2 LASSO
2.2.3 基于正则化的贝叶斯网络稀疏学习问题一般表述
2.3 贝叶斯网络结构稀疏学习相关算法
2.3.1 L1MB-DAG算法
2.3.2 SBN算法
2.3.3 GSGBN算法
2.4 小结
第3章 基于GAP筛选规则的高斯贝叶斯网络结构稀疏学习
3.1 引言
3.2 相关工作
3.2.1 依赖网络
3.2.2 安全特征筛选
3.3 基于GAP的高斯贝叶斯网络结构稀疏学习
3.3.1 基于GAP的单个节点候选马尔科夫毯的确定
3.3.2 基于GAP-LASSO的整个网络节点候选马尔科夫毯选择
3.3.3 基于网络节点马尔科夫毯的DAGs搜索
3.4 统计模拟设计及性能测度指标说明
3.4.1 性能测度指标
3.4.2 基准网络的选择与数据生成机制
3.5 筛选规则对高斯贝叶斯网络结构稀疏学习的影响
3.5.1 GBN-GAP算法与L1MB-DAG算法模拟分析
3.5.2 GAP筛选规则与其他筛选规则模拟分析
3.6 GBN-GAP与经典贝叶斯网络结构学习方法比较
3.6.1 高维小样本环境下模拟分析
3.6.2 低维数据环境下模拟分析
3.7 小结
第4章 基于Bootstrap和 GBN-GAP的贝叶斯网络模型平均
4.1 引言
4.2 相关工作
4.2.1 自助法Bootstrap
4.2.2 模型平均
4.3 基于Bootstrap和 GBN-GAP算法构建平均模型的流程
4.3.1 贝叶斯网络稀疏结构模型平均方法流程
4.3.2 平均网络结构中边强度阈值的选择
4.4 模拟分析
4.4.1 构建平均网络结构流程模拟
4.4.2 贝叶斯网络结构稀疏学习模型平均方法性能表现
4.5 小结
第5章 高斯贝叶斯网稀疏学习在基因数据中的应用
5.1 基因表达数据选择和说明
5.2 基于GBN-GAP算法的稀疏贝叶斯网络结构识别
5.2.1 面向拟南芥基因数据的贝叶斯网络稀疏结构识别
5.2.2 基于GBN-GAP的拟南芥基因网络模型评价
5.3 基于GBN-GAP模型平均法的稀疏网络结构识别
5.3.1 面向拟南芥基因数据的平均贝叶斯网络稀疏结构识别
5.3.2 平均的拟南芥基因网络评价探讨
5.4 小结
第6章 离散贝叶斯网稀疏学习在P2P再次贷款中的应用
6.1 引言
6.1.1 研究背景及意义
6.1.2 P2P网络借贷文献综述
6.1.3 贝叶斯网络研究方法的选择
6.2 基于Multi-Logit回归的贝叶斯网络稀疏结构学习
6.2.1 传统基于多项式模型的离散贝叶斯网络
6.2.2 基于Multi-Logit回归的贝叶斯网络稀疏结构学习
6.2.3 基于Multi-Logit的贝叶斯网络稀疏学习求解机理
6.3 样本选择和变量说明
6.3.1 数据来源
6.3.2 数据预处理和变量说明
6.3.3 数据集成
6.3.4 连续变量离散化和贝叶斯网络节点选择
6.4 不同产品视角下借款人特征与再次贷款结构关系定性研究
6.4.1 基于产品1 的借款人特征与再次贷款结构关系定性分析
6.4.2 基于产品2 的借款人特征与再次贷款结构关系定性分析
6.5 不同产品视角下借款人特征与再次贷款结构关系定量分析
6.5.1 基于产品1 的借款人特征与再次贷款结构关系定量分析
6.5.2 基于产品2 的借款人特征与再次贷款结构关系定量分析
6.6 小结
结论与展望
1、结论
2、展望
附录
附录1 专业术语
附录2 相关证明
参考文献
致谢
攻读博士学位期间发表的论文和其它科研情况
【参考文献】：
期刊论文
[1]基于贝叶斯网稀疏结构学习的信用影响因素结构发现[J]. 郭珉,石洪波,程鑫. 统计与信息论坛. 2019(01)
[2]Storm平台下基于稀疏ADtree的贝叶斯网络分布式学习算法[J]. 丁飞,庄毅. 小型微型计算机系统. 2018(10)
[3]海量数据下模型平均的分治算法[J]. 方方,尹相菊,张强. 系统科学与数学. 2018(07)
[4]基于区域房价的空间自回归模型平均[J]. 文丽,卢灿昭. 系统科学与数学. 2018(07)
[5]河南省粮食产量预测方法研究[J]. 陈全润,杨翠红. 系统科学与数学. 2018(07)
[6]广义矩估计模型平均[J]. 王维维,张齐,李新民. 系统科学与数学. 2018(07)
[7]基于模型平均方法的基金绩效预测研究[J]. 李莉莉,崔迎鹏,卢睿,乔婧妍. 系统科学与数学. 2018(06)
[8]网络结构数据空间回归模型的平均估计[J]. 孙志猛,马倩雯,李潇宁. 系统科学与数学. 2018(06)
[9]岭回归中基于广义交叉核实法的最优模型平均估计[J]. 喻达磊,饶炜东,尹潇潇. 系统科学与数学. 2018(06)
[10]非线性GARCH族的模型平均估计方法[J]. 姚青松,赵国庆,刘庆丰. 统计研究. 2018(05)
硕士论文
[1]基于图分块的贝叶斯网络结构学习研究[D]. 李硕豪.国防科学技术大学 2014
本文编号：3457657
【文章来源】：山西财经大学山西省
【文章页数】：213 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外文献综述
1.2.1 贝叶斯网络结构稀疏性的界定
1.2.2 一般的贝叶斯网络结构学习方法研究
1.2.3 贝叶斯网络结构稀疏学习相关研究
1.2.4 发展动态分析
1.3 研究内容与方法
1.4 主要工作和创新
1.5 论文的基本结构
第2章 贝叶斯网络相关基础知识及方法
2.1 贝叶斯网络基本概念及理论
2.1.1 贝叶斯网络基本概念及符号表示
2.1.2 贝叶斯网络学习
2.2 正则化与贝叶斯网络稀疏学习
2.2.1 正则化
2.2.2 LASSO
2.2.3 基于正则化的贝叶斯网络稀疏学习问题一般表述
2.3 贝叶斯网络结构稀疏学习相关算法
2.3.1 L1MB-DAG算法
2.3.2 SBN算法
2.3.3 GSGBN算法
2.4 小结
第3章 基于GAP筛选规则的高斯贝叶斯网络结构稀疏学习
3.1 引言
3.2 相关工作
3.2.1 依赖网络
3.2.2 安全特征筛选
3.3 基于GAP的高斯贝叶斯网络结构稀疏学习
3.3.1 基于GAP的单个节点候选马尔科夫毯的确定
3.3.2 基于GAP-LASSO的整个网络节点候选马尔科夫毯选择
3.3.3 基于网络节点马尔科夫毯的DAGs搜索
3.4 统计模拟设计及性能测度指标说明
3.4.1 性能测度指标
3.4.2 基准网络的选择与数据生成机制
3.5 筛选规则对高斯贝叶斯网络结构稀疏学习的影响
3.5.1 GBN-GAP算法与L1MB-DAG算法模拟分析
3.5.2 GAP筛选规则与其他筛选规则模拟分析
3.6 GBN-GAP与经典贝叶斯网络结构学习方法比较
3.6.1 高维小样本环境下模拟分析
3.6.2 低维数据环境下模拟分析
3.7 小结
第4章 基于Bootstrap和 GBN-GAP的贝叶斯网络模型平均
4.1 引言
4.2 相关工作
4.2.1 自助法Bootstrap
4.2.2 模型平均
4.3 基于Bootstrap和 GBN-GAP算法构建平均模型的流程
4.3.1 贝叶斯网络稀疏结构模型平均方法流程
4.3.2 平均网络结构中边强度阈值的选择
4.4 模拟分析
4.4.1 构建平均网络结构流程模拟
4.4.2 贝叶斯网络结构稀疏学习模型平均方法性能表现
4.5 小结
第5章 高斯贝叶斯网稀疏学习在基因数据中的应用
5.1 基因表达数据选择和说明
5.2 基于GBN-GAP算法的稀疏贝叶斯网络结构识别
5.2.1 面向拟南芥基因数据的贝叶斯网络稀疏结构识别
5.2.2 基于GBN-GAP的拟南芥基因网络模型评价
5.3 基于GBN-GAP模型平均法的稀疏网络结构识别
5.3.1 面向拟南芥基因数据的平均贝叶斯网络稀疏结构识别
5.3.2 平均的拟南芥基因网络评价探讨
5.4 小结
第6章 离散贝叶斯网稀疏学习在P2P再次贷款中的应用
6.1 引言
6.1.1 研究背景及意义
6.1.2 P2P网络借贷文献综述
6.1.3 贝叶斯网络研究方法的选择
6.2 基于Multi-Logit回归的贝叶斯网络稀疏结构学习
6.2.1 传统基于多项式模型的离散贝叶斯网络
6.2.2 基于Multi-Logit回归的贝叶斯网络稀疏结构学习
6.2.3 基于Multi-Logit的贝叶斯网络稀疏学习求解机理
6.3 样本选择和变量说明
6.3.1 数据来源
6.3.2 数据预处理和变量说明
6.3.3 数据集成
6.3.4 连续变量离散化和贝叶斯网络节点选择
6.4 不同产品视角下借款人特征与再次贷款结构关系定性研究
6.4.1 基于产品1 的借款人特征与再次贷款结构关系定性分析
6.4.2 基于产品2 的借款人特征与再次贷款结构关系定性分析
6.5 不同产品视角下借款人特征与再次贷款结构关系定量分析
6.5.1 基于产品1 的借款人特征与再次贷款结构关系定量分析
6.5.2 基于产品2 的借款人特征与再次贷款结构关系定量分析
6.6 小结
结论与展望
1、结论
2、展望
附录
附录1 专业术语
附录2 相关证明
参考文献
致谢
攻读博士学位期间发表的论文和其它科研情况
【参考文献】：
期刊论文
[1]基于贝叶斯网稀疏结构学习的信用影响因素结构发现[J]. 郭珉,石洪波,程鑫. 统计与信息论坛. 2019(01)
[2]Storm平台下基于稀疏ADtree的贝叶斯网络分布式学习算法[J]. 丁飞,庄毅. 小型微型计算机系统. 2018(10)
[3]海量数据下模型平均的分治算法[J]. 方方,尹相菊,张强. 系统科学与数学. 2018(07)
[4]基于区域房价的空间自回归模型平均[J]. 文丽,卢灿昭. 系统科学与数学. 2018(07)
[5]河南省粮食产量预测方法研究[J]. 陈全润,杨翠红. 系统科学与数学. 2018(07)
[6]广义矩估计模型平均[J]. 王维维,张齐,李新民. 系统科学与数学. 2018(07)
[7]基于模型平均方法的基金绩效预测研究[J]. 李莉莉,崔迎鹏,卢睿,乔婧妍. 系统科学与数学. 2018(06)
[8]网络结构数据空间回归模型的平均估计[J]. 孙志猛,马倩雯,李潇宁. 系统科学与数学. 2018(06)
[9]岭回归中基于广义交叉核实法的最优模型平均估计[J]. 喻达磊,饶炜东,尹潇潇. 系统科学与数学. 2018(06)
[10]非线性GARCH族的模型平均估计方法[J]. 姚青松,赵国庆,刘庆丰. 统计研究. 2018(05)
硕士论文
[1]基于图分块的贝叶斯网络结构学习研究[D]. 李硕豪.国防科学技术大学 2014
本文编号：3457657
本文链接：https://www.wllwen.com/shoufeilunwen/sklbs/3457657.html
