r - 动态贝叶斯网络 - 多元 - 重复事件 - bnstruct R Package

Question

我正在寻找一种使用 bnstruct 包训练动态贝叶斯网络 (DBN) 的方法，以应对从类似事件收集数据的特殊情况。因此，1)我想训练我的 DBN，每次只用一个事件来喂养它。

在实际情况下，事件数、行数和列数都很大，2) 如果可以实现一些并行处理来提高性能，那就更好了。

下面提供了一个虚拟代码，其中所有数据都必须立即输入，无论事件边界如何。

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)

谢谢。

Answer 1

您生成的数据在 bnstruct 中被视为具有 3 层的 DBN，每层由一个节点组成。将数据集视为事件序列的正确方法是将事件 i 中的变量 X 视为与同一变量 X 不同的变量在事件 j 中，因为 learn.dynamic.network 只是具有隐式分层的 learn.network 的代理。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。 插图第 4.1.2 节解释了如何学习 DBN。

在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。

回到第一个问题: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，您必须手动调整BN 对象来表示数据集。

来自包小插图:

It is also possible to provide an initial network as starting point for the structure search. This can be done using the initial.network argument, which accepts three kinds of inputs:

• a BN object (with a structure);
• a matrix containing the adjacency matrix representing the structure of a network;
• the string random.chain for starting from a randomly sampled chain-like network.

最简单的选择可能是在每次扩充时使用 0 来扩展 DAG，拥有一个具有更多节点的网络，并且没有连接到新节点的边，并使用新的DAG 作为起点。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，这每次都会重新学习整个 DBN。如果边缘只能到达紧邻的下一层，您可以通过提供 layer.struct 参数来修剪搜索空间，或者通过学习一次使用两个事件并手动构建更大的 DBN。

对于第二个问题，bnstruct目前不提供并行处理。