小样本贝叶斯网络参数学习方法

摘要

当训练数据充分时,极大似然估计方法是贝叶斯网络参数学习典型且有效的方法.但当训练数据量少且领域知识缺乏时,极大似然估计往往无法给出一致无偏的参数估计.为此,提出一种新的贝叶斯网络参数学习方法TL-WMLE.将极大似然估计方法与迁移学习理论、样本不均衡方法相结合,解决数据量过少、领域知识缺乏时的贝叶斯网络参数学习问题.使用SMOTE-N方法构建辅助分类器,并依据协变量偏移理论,利用辅助分类器的分类结果来计算源域数据权值.采用赋权的源域数据和目标域数据构造目标域的似然函数,应用该似然函数对目标域的参数进行极大似然估计.实验结果表明,在小样本情况下,该方法的分类精度优于极大似然估计方法.