| Popis: |
Learning the structure of Bayesian networks is an NP-hard problem. Hence, if learning from high-dimensional data with many networks nodes, usually a small subset of nodes is selected, and the structure is only learned for this small subset. On the one hand, this thesis addresses the effect on the quality of the learned network structure if the reduction of dimensions is applied. New methods are introduced to measure the quality of the structure. On the other hand, new approaches are introduced to learn the structure of a whole network. Comparisons with existing methods show that the novel algorithms usually outperform existing methods in terms of network quality and performance if applied on large networks. Das Strukturlernen von Bayesianischen Netzen ist ein Problem, dessen Komplexität NP-schwer in der Anzahl der Knoten ist. Deshalb wird üblicherweise beim Strukturlernen von hochdimensionalen Daten eine kleine Untermenge selektiert, und in Wirklichkeit nur für wenige selektierte Knoten die Netzstruktur gelernt. Die vorliegende Arbeit befasst sich einerseits mit der Qualität der gelernten Struktur bei Anwendung der Dimensionsreduktion. Dazu werden neue Methoden eingeführt, um die Qualität bewerten zu können. Andererseits werden neue Lernverfahren eingeführt, die das effiziente Strukturlernen eines kompletten Netzes ermöglichen. Anhand von Vergleichen wird gezeigt, dass für große Netze die neu eingeführten Verfahren bereits bekannte Verfahren fast immer in Qualität der gelernten Struktur und Effizienz übertreffen. |
