Augmented Naive Bayes Classifierの大規模構造学習

抄録

ベイジアンネットワーク分類器（Bayesian Network Classifier: BNC）は高精度な分類器として注目されている．Sugaharaら（2018）は構造にAugmented Naive Bayes（ANB）を仮定して生成モデルとして厳密学習することで，データ数が少ない場合も分類精度の高いベイジアンネットワーク分類器を学習できることを示した．しかし，従来手法である厳密解探索アプローチによる構造学習では計算量が膨大であるため数十変数の構造学習が限界である．一方で，制約ベースアプローチと呼ばれる因果モデル分野の構造学習法が提案されている．名取ら（2018）は，CIテストにBayes factorを用いることで漸近一致性を有しつつ1000ノード以上の構造学習を実現し，本田ら（2019）はその手法に推移性を組み込むことで2000ノード程度の構造学習を実現した．そこで本論文では，本田らの手法を用いて従来より大規模なANBを学習出来る手法を提案する．比較実験により，提案手法が従来手法よりも分類精度が高いことを示す．