论文部分内容阅读
目标变量的马尔科夫毯（MB）是用于预测其状态的最优特征子集。提出一种新的约束学习类MB推导算法FSMB，它遵循后向选择的搜索策略，并依赖条件独立（CI）测试删除任意结点对之间的伪连接。与传统约束学习类算法不同，FSMB能从已执行的CI测试推导出不同结点扮演出分割（d—separation）结点的优先等级；而后基于该信息在未来优先执行条件集中包含高优先级结点的CI测试，从而更快速地判断并删除伪连接边。该策略可帮助快速缩小搜索空间，从而大大提升学习效率。基于仿真网络的实验研究显示，FSMB在计算效率上较经典的