یادگیری ساختاری شبکۀ بیزی با به ‌کارگیری پوشش مارکوفی در الگوریتم k2

شبکه های بیزی ، مدل های گرافیکی احتمالی هستند که رابطۀ علّت و معلولی بین متغیرها را تعیین می کنند و شامل یادگیری ساختاری و یادگیری پارامتری می باشند. الگوریتم k2 یکی از بهترین روش های یادگیری ساختار در شبکه های بیزی برای متغیرهای گسسته است. کارایی الگوریتم k2 ، به شدت تحت تاثیر ترتیب متغیرهای ورودی است. بنا بر این برای رسیدن به گراف دقیقی که توصیف کنندۀ داده ها باشد، یافتن الگوریتمی که ترتیب دقیق تری از عناصر به عنوان ورودی 2 k ارائه کند ، مورد نیاز است. در این مقاله، نخست با استفاده از روش افزایشیکاهشی، پوشش مارکوفی هر متغیر را یافته ، سپس بر اساس فراوانی های شرطی و استفاده از تابع چگالی احتمال دیریکله، از بین پوشش مارکوفی هر متغیر، والدین احتمالی آن متغیر انتخاب می شوند. مجموعۀ والدین انتخابی هر راس به عنوان ورودی الگوریتم k2 مورد استفاده قرار می گیرد و شبکۀ بیزی به دست می آید. نتایج حاصل از اعمال الگوریتم پیشنهادی بر روی چند مجموعه دادۀ معیار و مقایسۀ آن با روش های دیگر، نشان می دهد که الگوریتم پیشنهادی بسیار کاراتر از سایر روش ها است.