26、硬件感知概率电路学习的实验评估

硬件感知概率电路学习的实验评估

1. 引言

在资源受限的嵌入式应用中，实现高效的机器学习算法一直是一个挑战。传统的机器学习模型，如朴素贝叶斯（Naive Bayes）和树增强朴素贝叶斯（Tree-Augmented Naive Bayes），虽然在分类任务上表现良好，但它们在处理复杂查询时的效率有限。概率子句决策图（PSDDs）作为一种新型的概率模型，能够在表达力和可处理性之间取得平衡，非常适合硬件感知的学习和推理。本篇文章将详细介绍如何通过引入判别性偏差来优化 PSDDs 的学习过程，并评估其在多个基准数据集上的性能。

2. D-LearnPSDD 评估

为了评估引入判别性偏差的 PSDD 学习算法（D-LEARNPSDD）的性能，我们进行了五折交叉验证实验。实验中比较了 D-LEARNPSDD、LEARNPSDD、朴素贝叶斯（NB）、树增强朴素贝叶斯（TANB）和逻辑回归（LogReg）在准确率和参数数量上的表现。实验结果表明，D-LEARNPSDD 在大多数数据集上优于 LEARNPSDD，并且在分类准确率方面与逻辑回归（LogReg）相当，同时保持了对缺失特征的鲁棒性。

2.1 实验设置

我们在 15 个标准机器学习基准测试集上进行了实验，这些数据集来自 UCI 机器学习库。所有数据集都经过了预处理步骤，包括删除缺失值的实例和其特征值始终等于 0 的特征，并使用了一次性编码。此外，数据集通过应用离散化方法进行了预处理，然后将变量二值化。表 5.3 列出了每个数据集的详细信息，包括二进制特征的数量、类别的数量以及可用的训练样本数量。

数据集