貝葉斯網(wǎng)絡參數(shù)遷移學習方法.pdf

1、貝葉斯網(wǎng)絡參數(shù)學習是貝葉斯網(wǎng)絡研究中的重點問題。有標記的訓練樣本充分時，極大似然估計方法是貝葉斯網(wǎng)絡參數(shù)學習典型且有效的方法。但當有標記的訓練數(shù)據(jù)稀少時，極大似然估計往往無法給出一致無偏的參數(shù)估計;此時，可通過先驗知識設計約束，進行有約束的極大似然估計，但實際應用中，先驗知識較難獲得。
　　遷移學習是一種將已有的、不同但相關(guān)域的知識遷移到目標域進行問題求解的機器學習方法。遷移學習的目標是從源域數(shù)據(jù)樣本中獲得域知識，并通過域知識遷移

2、，解決目標域上有標記的訓練數(shù)據(jù)過于稀少的學習問題。
　　針對有標記的訓練數(shù)據(jù)稀少、先驗知識缺乏情況下的貝葉斯網(wǎng)絡參數(shù)學習問題，將極大似然估計方法與遷移學習方法相結(jié)合，提出一種新的貝葉斯網(wǎng)絡參數(shù)遷移學習方法—TL-WMLE:應用SMOTE-N方法構(gòu)建輔助分類器，輔助分類器的分類結(jié)果用于計算源域數(shù)據(jù)權(quán)值;利用目標域數(shù)據(jù)和賦權(quán)的源域數(shù)據(jù)，依據(jù)協(xié)變量偏移理論和貝葉斯網(wǎng)絡的模塊化理論，設計出目標域上的帶權(quán)似然函數(shù)，估計目標域貝葉斯網(wǎng)絡參數(shù)。