抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
データからの非明示的モデルを生成する方法を紹介した。アルゴリズムはBayesネットワーク,離散成文化と遺伝的アルゴリズムに基づいている。ビット単位疑似Bayesネットワークの概念は,本研究で紹介した。離散データから生成されたBayesネットワークを意味する。ネットワークはビット間の相関の関数としてモデルを記述した。モデルは元の変数の意味は離散化中に消失する意味で陰的考慮であるが,元のデータの一つに類似した分布を持つランダム試料を提供することができる。これらの試料は透明な方法でデータのサンプルに依存する他のアルゴリズムの入力できる。さらに,この方式は,データの大型体積の貯蔵と取扱い,現代のデータ科学における共通の発生の問題を軽減し,同定プロセスの問題を回避した。ビット単位疑似Bayesモデルを生成するアルゴリズムを詳細に述べ,伸びきり鎖構造に基づくBayesネットワークの表現への革新を紹介した。,新しい離散化法を紹介し,進化的連続最適化するために文献で報告された他,主に使用されてきたそれらを比較した。提案したアルゴリズムの性能を,二つのデータセットを用いて研究した:Dow Jones工業平均のストックからの価格データ,およびメキシコ暗渠のprecios y cotizacionesのストックから価格データ。提案した方法は,文献で報告された他の離散モデリング技術と比較し,高い性能を達成した。結果は,Bayesネットワークと結合させる時の,直接離散化法が有効であったが,スケーラビリティを保証するためにさらなる研究が必要である。研究は,Dow Jonesデータセットはメキシコ指数データセットよりも困難であるが,これは2008年のアメリカの危機に起因していた。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】