تاثیر ترتیب متغیرها و مدیریت داده های گمشده بر یادگیری ساختار شبکه های بیزی رویکردی موازی و توزیع شده برای بهبود دقت و کارایی

شبکه های بیزی علی ابزارهایی مهم برای استدلال در شرایط عدم قطعیت هستند. الگوریتم های یادگیری ساختار این شبکه ها به ویژه برای متغیرهای گسسته به ترتیب متغیرها حساسیت بیشتری نسبت به اندازه نمونه، فراپارامترها و توابع هدف دارند. این حساسیت به خصوص در الگوریتم های پیمایش تپه و واریانت های آن می تواند بر دقت گراف یاد گرفته شده تاثیر بگذارد و اعتبار نتایج را زیر سوال ببرد. علاوه بر این، مدیریت داده های گمشده یک چالش حیاتی در داده های واقعی است. این مقاله دو روش رایج برای مدیریت داده های گمشده یعنی MICE و SEM را مقایسه می کند و نشان می دهد که هر دو، روش بازیابی ساختار بهتری نسبت به عدم انجام هیچ کاری ارائه می دهند و SEM به طور کلی از MICE پیشی می گیرد. همچنین برای غلبه بر هزینه محاسباتی بالای یادگیری ساختار شبکه های بیزی این مقاله یک روش موازی و توزیع شده جدید فست بی ان اس را پیشنهاد می کند که با استفاده از موازی سازی چند پردازشی و چندرشته ای عملکرد را به طور قابل توجهی بهبود می بخشد.

کلیدواژه ها:

شبکه های بیزی ، یادگیری ساختار ، ترتیب متغیرها ، داده های گمشده ، گراف های جهت دار غیر مدور