郭坤，王浩，姚宏亮，李俊照

(合肥工业大学计算机与信息学院，安徽 合肥 230009)

在给定贝叶斯网络(Bayesian networks)中一个变量的马尔可夫毯(Markov blanket)时，贝叶斯网络中其他变量与该变量条件独立，一个变量的马尔可夫毯能够屏蔽贝叶斯网络中其他变量对该变量的影响，可用来预测、分类和因果发现等.

确定目标变量的马尔可夫毯有2类方法:利用打分—搜索方法等建立贝叶斯网络结构，然后基于贝叶斯网络结构确定目标变量的马尔可夫毯，但该类方法得到的马尔可夫毯不准确，且学习方法效率低;另一类是利用局部学习的方法直接学习目标变量的马尔可夫毯.当前研究者主要采用基于局部学习的方法学习马尔可夫毯，相关工作如Margaritis和Thrun提出了 GS(Grow-Shrink)算法［1］，首先启发式地搜索所有与目标变量依赖的变量，然后去除冗余的变量.由于配偶节点较晚进入候选的马尔可夫毯，导致候选的马尔可夫毯中引入了较多的错误节点，降低了后面的条件独立测试的有效性和可靠性.Tsamardinos等对GS进行了改进，提出了IAMB(incremental association Markov blanket)算法［2］，每入选一个变量，就对该变量进行条件独立测试，减少了错误变量的引入;但该算法的条件独立测试是在给定整个马尔可夫毯下进行的，条件独立测试要求的数据量较大［3］.Tsamardinos等提出的 MMMB(max-min Markov blanket)算法［4］首先利用 MMPC(max-min parents and children)算法［4］寻找目标节点的父节点和子节点，然后找到它的配偶节点，但该方法会引入错误的父子节点和配偶节点［5］.与此相似的算法还有 Hiton-MB(Hiton-Markov blanket)算法［6］.Tsamardinos等在贝叶斯网络结构学……