Fast Bayesian Network Structure Learning using Quasi-Determinism Screening

Thibaud Rahier 1 Sylvain Marié 2 Stéphane Girard 1 Florence Forbes 1
1 MISTIS - Modelling and Inference of Complex and Structured Stochastic Systems
Inria Grenoble - Rhône-Alpes, LJK - Laboratoire Jean Kuntzmann, INPG - Institut National Polytechnique de Grenoble
Abstract : Learning the structure of Bayesian networks from data is a NP-Hard problem that involves optimization over a super-exponential sized space. In this work, we show that in most real life datasets, a number of the arcs contained in the final structure can be pre-screened at low computational cost with a limited impact on the global graph score. We formalize the identification of these arcs via the notion of quasi-determinism, and propose an associated algorithm that narrows the structure learning task down to a subset of the original variables. We show, on diverse benchmark datasets, that this algorithm exhibits a significant decrease in computational time and complexity for only a little decrease in performance score.
Type de document :
Communication dans un congrès
JFRB 2018 - 9èmes Journées Francophones sur les Réseaux Bayésiens et les Modèles Graphiques Probabilistes, May 2018, Toulouse, France. pp.14-24, 〈https://jfrb2018.sciencesconf.org/data/pages/ActesJFRB2018.pdf〉
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-01941683
Contributeur : Florence Forbes <>
Soumis le : vendredi 4 janvier 2019 - 18:52:30
Dernière modification le : mercredi 23 janvier 2019 - 09:00:10

Fichier

main4HAL.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01941683, version 1

Collections

Citation

Thibaud Rahier, Sylvain Marié, Stéphane Girard, Florence Forbes. Fast Bayesian Network Structure Learning using Quasi-Determinism Screening. JFRB 2018 - 9èmes Journées Francophones sur les Réseaux Bayésiens et les Modèles Graphiques Probabilistes, May 2018, Toulouse, France. pp.14-24, 〈https://jfrb2018.sciencesconf.org/data/pages/ActesJFRB2018.pdf〉. 〈hal-01941683〉

Partager

Métriques

Consultations de la notice

20

Téléchargements de fichiers

7