一般貝葉斯網路的構建是首先由相關領域的專家根據事物間的關係來確定出結構模型，即有向無環圖，然後再利用其它方法確定每個節點的條件機率，但這樣構建的網路模型無法保證其客觀性和可靠性．
基本介紹
- 中文名：貝葉斯網路結構學習
- 外文名：Bayesian network structure learning
- 特點：有向無環圖
- 對象：相關領域的專家
簡介,分解的方法,
簡介
因此，研究人員嘗試引入客觀的觀測數據，希望通過將觀測數據與專家知識相結合來共同構建貝葉斯網路，並進一步在沒有專家先驗知識的情況下，嘗試完全從觀測數據中學習得到網路結構和參數．其中網路結構的學習不但是整個學習過程的基礎，並且是一個NP難題”“，因此更吸引了大量研究人員的注意
分解的方法
研究人員借鑑統計學領域對多變數聯合機率分
布近似分解的方法”…，從多個角度對該問題進行研究，形成了基於獨立性檢驗和基於評價與搜尋的兩大類算法m-．在一系列假設下，研究人員通過將先驗信息與觀測數據相結合，實現了多種網路結構模型的學習算法，進而提出了在沒有任何先驗信息情況下的相應算法．最近的研究開始減弱甚至放棄某些假設，從更一般意義下研究網路結構的學習．因果貝葉斯網路結構模型的學習有時也稱為因果發現或因果挖掘這是因為數據的處理所獲得的結構模型反映了事物間因果關係的知識．從廣義的角度講，因果數據挖掘可以認為是從數據中發現有關因果性知識的過程．
貝葉斯網路結構學習的發展與展望
