Question

我正在寻找一种方法来训练动态贝叶斯网络（DBN），使用包bnstruct，用于从类似事件收集数据的特殊情况。因此，1）我想训练我的DBN每次喂一次事件。

在实际案例中，事件，行和列的数量很大，2）如果可以实现某些并行处理以提高性能，那就更好了。

下面提供了一个虚拟代码，其中所有数据必须一次输入，忽略事件边界。

library(bnstruct)

numEvents <- 40
numRows <- 5
numCols <- 3

mat <- matrix(data = rnorm(numEvents * numRows * numCols), ncol = numCols)
varNames <- paste0("var", 1:numCols)
colnames(mat) <- varNames

dataset <- BNDataset(data = mat,  discreteness = rep(F, ncol(mat)), variables = varNames, node.sizes = rep(3, ncol(mat)))

dbn <- learn.dynamic.network(dataset, num.time.steps = numCols)

感谢。

Answer 1

您生成的数据在bnstruct中被视为具有3个层的DBN，每个层包含一个节点。将数据集视为事件序列的正确方法是将事件X中的变量i视为事件X中与同一变量j不同的变量，如learn.dynamic.network只是learn.network的代理，具有隐式分层。也就是说，您的数据集不必通过添加行来构建，而是通过添加列来构建。小插图的第4.1.2节解释了如何学习DBN。

在您的示例中构建和使用数据集的正确方法是

mat <- matrix(data = rnorm(numEvents * numRows * numCols), ncol = numCols * numEvents)
varNames <- rep(paste0("var", 1:numCols), numEvents)
colnames(mat) <- varNames

dataset <- BNDataset(data = mat,  discreteness = rep(F, ncol(mat)), variables = varNames, node.sizes = rep(3, ncol(mat)))

dbn <- learn.dynamic.network(dataset, num.time.steps = numEvents)

dbn将有120个有效节点，分为40层。

提出第一个问题：一个想法是提供一个初始网络作为连续时间步骤的起点。假设时间步t+1的数据集是通过向时间步t使用的数据集添加新列获得的，则必须手动调整BN对象以表示数据集。

从包装小插图：

也可以提供初始网络作为起点   结构搜索。这可以使用initial.network参数来完成   接受三种输入：


一个BN对象（带结构）;

a matrix包含表示a的结构的邻接矩阵   网络;

字符串random.chain，用于从随机抽样的链式开始   网络

最简单的选择可能是在每次扩充时使用0扩展DAG，使网络具有更多节点，并且没有边缘进入新节点，并将新DAG用作启动点。在您的示例中：

library(bnstruct)

numEvents <- 40
numRows <- 5
numCols <- 3

mat <- matrix(data = rnorm(numRows * numCols), ncol = numCols)
varNames <- paste0("var", 1:numCols)
colnames(mat) <- varNames

dataset <- BNDataset(data = mat, 
           discreteness = rep(F, ncol(mat)),
           variables = varNames,
           node.sizes = rep(3, ncol(mat)))

dbn <- learn.network(dataset)

for (event in 2:numEvents) {

    # collect new data
    new.mat <- matrix(data = rnorm(numRows * numCols), ncol = numCols)
    colnames(new.mat) <- paste0(varNames, "_", event)
    mat <- cbind(mat, new.mat)
    dataset <- BNDataset(data = mat,
                         discreteness = rep(F, ncol(mat)),
                         variables = colnames(mat),
                         node.sizes = rep(3, ncol(mat)))

    # expand structure of the DBN, adding the nodes relative to the new event
    dbn.dag <- dag(dbn)
    n.nodes <- ncol(dbn.dag)
    new.dag <- matrix(0, nrow=ncol(mat), ncol=ncol(mat))
    new.dag[1:n.nodes, 1:n.nodes] <- dbn.dag

    # learn
    dbn <- learn.dynamic.network(dataset,
                                 initial.network = new.dag,
                                 num.time.steps = event)

}

然而，每次都会重新学习整个DBN。如果边缘只能到达紧接的后续图层，则可以通过提供layer.struct参数或通过一次学习使用两个事件并手动构建更大的DBN来修剪搜索空间。

对于第二个问题，bnstruct目前不提供并行处理。

动态贝叶斯网络 - 多变量 - 重复事件 - bnstruct R包

1 个答案: