大型資料中的馬可夫毯探索可將局部搜尋用於數千變項

Tsamardinos、Aliferis 與 Statnikov 在 2003 年的 FLAIRS 研究提出多種從訓練資料探索目標變項馬可夫毯的演算法，並將其用途連結到變項選擇、因果探索與貝葉斯網路學習。作者報告了在數千變項情境下的可擴展方法；其價值在於把全域網路重建問題轉成目標節點附近的局部搜尋。

思與行

• 大型資料分析可以先問「哪些變項對這個目標不可或缺」，再決定是否需要重建整張網路。
• 把論文中的理論保證理解為附帶條件的保證；資料分布、條件獨立檢定與樣本規模仍會影響實際表現。

參考

• 原始論文：Algorithms for Large Scale Markov Blanket Discovery（FLAIRS 2003）。
• 延伸：最小馬可夫邊界是目標變項的最小充分預測集合、有限樣本與隱藏變項會使馬可夫毯探索不穩定。