Un enfoque bayesiano para el aprendizaje de redes bayesianas con estructura local

Recientemente, varios investigadores han investigado técnicas para utilizar datos para aprender redes bayesianas que contienen representaciones compactas para las distribuciones de probabilidad condicional (CPDs) almacenadas en cada nodo. La mayoría de este trabajo se ha concentrado en utilizar representaciones de árboles de decisión para las CPDs. Además, los investigadores suelen aplicar funciones de puntuación no bayesianas (o asintóticamente bayesianas) como MDL para evaluar el ajuste de las redes a los datos. En este trabajo, investigamos un enfoque bayesiano para aprender redes bayesianas que contienen las representaciones más generales de gráficos de decisión de las CPDs. Primero, describimos cómo evaluar la probabilidad a posteriori, es decir, la puntuación bayesiana de tal red, dada una base de datos de casos observados. En segundo lugar, describimos varios espacios de búsqueda que se pueden utilizar, en conjunto con una función de puntuación y un procedimiento de búsqueda, para identificar una o más redes de alta puntuación. Finalmente, presentamos una evaluación experimental de los espacios de búsqueda, utilizando un algoritmo codicioso y una función de puntuación bayesiana.