Random Search Learning Algorithm of BN Based on Super-Structure
-
摘要: 近年来，贝叶斯网络(Bayesian network, BN)在不确定性知识表示与概率推理方面发挥着越来越重要的作用.其中，BN结构学习是BN推理中的重要问题.然而，在当前BN结构的2阶段混合学习算法中，大多存在一些问题：第1阶段无向超结构学习中存在容易丢失弱关系的边的问题；第2阶段的爬山搜索算法存在易陷入局部最优的问题.针对这2个问题，首先采用Opt01ss算法学习超结构，尽可能地避免出现丢边现象;然后给出基于超结构的搜索算子，分析初始网络的随机选择规则和对初始网络随机优化策略，重点提出基于超结构的随机搜索的SSRandom结构学习算法，该算法一定程度上可以很好地跳出局部最优极值;最后在标准Survey， Asia，Sachs网络上，通过灵敏性、特效性、欧几里德距离和整体准确率4个评价指标，并与已有3种混合学习算法的实验对比分析，验证了该学习算法的良好性能.Abstract: Recently, Bayesian network(BN) plays a vital role in knowledge representation and probabilistic inference. BN structure learning is crucial to research on BN inference. However, there are some disadvantages in the most two-stage hybrid learning method of BN structure: it is easy to lose edges with weak relationship in the first stage, when we learn the super-structure; hill climbing search method is easily plunged into local optimum in the second stage. To avoid the two disadvantages, the super-structure of BN is firstly learned by Opt01ss algorithm, which makes the result miss few edges as much as possible. Secondly, based on super-structure, three search operators are given to analyze the random selection rule of the initial network and address the random optimization strategy for the initial network. Further, SSRandom learning algorithm of BN structure is proposed. The algorithm is a good way to jump out of local optimum extremum to a certain extent. Finally, the learning performance of the proposed SSRandom algorithm is verified by the experiments on the standard Survey, Asia and Sachs networks, by comparing with other three hybrid algorithms according to four evaluation indexs, such as the sensitivity, specificity, Euclidean distance and the percentage of overall accuracy.
-
Keywords:
- Bayesian network (BN) /
- structure learning /
- random search /
- super-structure /
- hybrid algorithm
-
计算机存储系统承载数据，是信息平台的核心基础设施. 近年来，全球数据规模爆发式增长，计算机存储系统面临着高速数据访问、海量数据存储以及存储服务质量保障的挑战. 同时，由于新型硬件（如NVMe SSD、持久内存、异构加速设备等）的发展与成熟，存储系统技术研究面临着诸多新的机遇.
基于上述背景，为促进存储领域的技术交流，《计算机研究与发展》推出了本期存储专题. 本期专题收录了6篇论文，分别展示了新硬件环境下存储系统设计和大规模数据存储服务质量保障等存储领域关注热点的研究现状和最新研究成果，希望能为从事相关工作的读者提供借鉴和帮助.
周小晖等作者的论文“基于融合学习的无监督多维时间序列异常检测”针对多维时间序列异常检测效果差的问题，提出了一种基于融合学习的无监督多维时间序列异常检测方法. 该方法同时对多维时间序列的数据局部特征和数据全局特征进行建模，并基于重构误差检测异常，提升了异常检测效果.
刘扬等作者的论文“ZB+ -tree：一种 ZNS SSD 感知的新型索引结构”针对传统的 B+ -tree 索引结构不适配 ZNS SSD 的问题，提出了ZNS SSD感知的ZB+ -tree索引结构. 该索引结构通过将索引节点在常规Zone和顺序Zone分散存储，实现了运行时间和空间利用率指标的提升.
屠要峰等作者的论文“UStore：面向新型硬件的统一存储系统”为适配 NVMe SSD、持久内存、异构加速设备等新型硬件的特性，提出了一种兼容多种存储介质的统一存储系统 UStore. 该存储系统包括与物理存储介质形态解耦的元数据设计、高效的数据管理机制和更新策略，充分发挥了存储硬件的特性和性能.
杨勇鹏等作者的论文“一种 wandering B+ tree 问题解决方法”针对日志结构存储系统中B+ tree树结点异地更新会导致树结构递归更新的问题，提出 IBT B+ tree 的解决方法. 该方法将树结点逻辑索引和物理地址均存放在树结构中，同时引入 dirty 链表设计和非递归更新的 IBT B+ tree 下刷算法，实现在不引入额外开销的条件下解决wandering B+ tree的问题.
文宇鸿等作者的论文“多租户固态盘服务质量保障技术综述”深入分析了多租户固态盘服务质量保障面临的性能干扰、性能不公平及总体性能损失问题，分类介绍了以保障性能隔离、性能公平、优化总体性能为目标的研究工作及技术演进方向，总结了多租户固态盘服务质量保障技术的研究现状并对未来研究方向进行了展望.
胡浩等作者的论文“新型内存硬件环境中的事务管理系统综述”全面总结了新型硬件环境下的事务管理系统，阐述了当前基于新型硬件事务管理系统的技术路线，重点剖析了硬件事务内存和非易失性存储硬件下的事务管理系统的优势和不足，指明了新型硬件环境中事务管理系统潜在的发展方向以及面临的挑战.
本专题所录用的6篇论文中，1篇论文重点关注云系统中多维时间序列的故障检测，3篇论文重点关注新硬件环境下的存储系统设计及索引结构设计，2篇论文对基于新型硬件的事务管理系统和多租户固态盘服务质量保障技术进行了综述. 由于专题篇幅有限等原因，本专题无法全面覆盖存储领域各方面的最新研究进展，不当之处请同行学者批评指正! 感谢各位作者、审稿专家和编辑部的全力支持和辛勤付出!
舒继武 （清华大学）
王意洁 （国防科技大学）
2023年2月
计量
- 文章访问数: 1107
- HTML全文浏览量: 1
- PDF下载量: 539
下载:
