文献

J-GLOBAL ID：201502214506957400   整理番号：15A0060869

Bayesネットワーク構造学習のためのハイブリッド確率的サンプリングアルゴリズム【Powered by NICT】

A Hybrid Stochastic Sampling Algorithm for Bayesian Network Structure Learning

著者 (3件)： Lv Gang (Key Lab. of Network and Intelligent Information Processing, Hefei Univ., Hefei) ,  Hu Chunling (Key Lab. of Network and Intelligent Information Processing, Hefei Univ., Hefei) ,  Hu Xuegang (School of Computer and Information, Hefei Univ. of Technol., Hefei)
資料名： Jisuanji Gongcheng  (Jisuanji Gongcheng)
巻： 40  号： 5  ページ： 238-242  発行年： 2014年 
JST資料番号： C2532A  ISSN： 1000-3428  CODEN： JISGEV  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 確率的サンプリングアルゴリズムの収束速度が遅く,均一試料採取器と独立した試料採取器に基づいて,初期試料採取法と提案分布から収束速度を向上し,ハイブリッドマルコフ連鎖モンテカルロサンプリングアルゴリズム(ハスムース)を提案した。ネットワークノード間の相互情報に基づいて,ネットワーク構造の初期標本を生成する。反復サンプリング相で,特定の確率分布に従って,ランダムサンプリングプロセスの混合を改善するために均一なサンプラーあるいは独立試料採取器,電流サンプルに基づく独立サンプラーのコンプトス提案分布を選択する。ハスムースのサンプリングプロセスはネットワーク構造の事後確率に収束することを証明することができ,アルゴリズムは良好な学習精度を持つ。標準データセット上の実験結果はまた,学習効率とハスムースの精度は,古典的アルゴリズムMHS,ポプマムシ及び高次マルコフ連鎖モンテカルロ(MCMC)法よりも優れていることを確認した。Data from the ScienceChina, LCAS. Translated by JST【Powered by NICT】

シソーラス用語： 事後確率 ,  試料採取器 ,  *ネットワーク構造 ,  *アルゴリズム ,  試料採取 ,  モンテカルロ法 ,  確率分布 ,  *学習 ,  Markov連鎖
準シソーラス用語： MCMC ,  学習効率 ,  データセット ,  ネットワークノード ,  収束速度 ,  *構造学習 , 【Automatic Indexing@JST】

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (5件)： Bayesネットワーク ,  構造学習 ,  確率 ,  サンプリング ,  アルゴリズム