分布无关的概率图模型结构学习方法的研究

项目名称： 分布无关的概率图模型结构学习方法的研究

项目编号： No.11626173

项目类型： 专项基金项目

立项/批准年度： 2016

项目学科： 数理科学和化学

项目作者： 李纯

作者单位： 天津职业技术师范大学

项目金额： 3万元

中文摘要： 概率图模型是不确定性知识表达和推理领域的一种有效的理论模型，是一个有力的多变量而且变量关系可视化的建模工具，其在实际生产生活中有着广泛的应用前景。本课题的主要研究内容在于：首先，研究对输入数据的概率分布不作假设或限制的概率图模型结构学习算法；其次，在不作分布假设的基础之上，针对马尔科夫网，研究提高结构学习算法处理高维数据能力的方法；最后，将本课题提出的结构学习算法应用于基因调控网和细胞信号传导通路的构建。我们的研究目标包含以下三方面：第一，从提出分布无关的条件独立性检验入手，针对基于约束的图模型结构学习方法，使其具有更广的适用范围；第二，建立在前一步基础之上，通过设计分布无关的得分函数，提出能够处理具有更高维度的马尔可夫网络的结构学习方法；第三，将本课题中的算法应用于真实的生物数据，由此验证已有的关于网络结构的假设，或发现新的变量间的相互作用。

中文关键词： 贝叶斯网络；概率图模型；结构学习；条件独立性检验；

英文摘要： Graphical models are powerful for representing conditional independence relationships among multiple variables. Numerous application examples of graphical models can be easily found in areas including bioinformatics, image processing, social science, cont

英文关键词： Bayesian network；Probabilistic graphical model；Structure learning；Conditional independence test；