在无向高斯图模型中的贝叶斯结构学习：文献综述与实证比较

高斯图模型提供了一种强大的框架，以揭示多元变量之间的条件依赖结构。揭示条件依赖网络的过程被称为结构学习。贝叶斯方法可以衡量条件关系的不确定性并纳入先前信息。然而，由于贝叶斯方法的计算负担，常常更倾向于使用频率主义方法。在过去十年中，贝叶斯方法得到了显著的改进，其中一些方法如今能够在几分钟内生成高达一千个变量的图的准确估计。尽管有这些进展，尚未进行对所有近期方法的全面综述或实证比较。本文探讨了用于结构学习的广泛贝叶斯方法，并通过综合模拟研究评估了它们的有效性。我们还展示了如何将贝叶斯结构学习应用于实际数据集，并为未来的研究提供了方向。这项研究为初学者、从业者和专家提供了这个动态领域的详尽概述。