文献

J-GLOBAL ID：201902265774342120   整理番号：19A1661275

階層的潜在変数モデル選択のための分解正規化最尤符号長基準【JST・京大機械翻訳】

The decomposed normalized maximum likelihood code-length criterion for selecting hierarchical latent variable models

著者 (4件)： Yamanishi Kenji (The University of Tokyo, Tokyo, Japan) ,  Wu Tianyi (The University of Tokyo, Tokyo, Japan) ,  Sugawara Shinya (Tokyo University of Science, Tokyo, Japan) ,  Okada Makoto (The University of Tokyo, Tokyo, Japan)
資料名： Data Mining and Knowledge Discovery  (Data Mining and Knowledge Discovery)
巻： 33  号： 4  ページ： 1017-1058  発行年： 2019年 
JST資料番号： W1105A  ISSN： 1384-5810  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 分解正規化最尤法(DNML)基準の名前における最小記述長原理に基づく新しいモデル選択基準を提案した。著者らの判定基準は,ナイーブBayesモデル,確率的ブロックモデル,潜在的Dirichlet配分およびGauss混合モデルのような階層的潜在的変数モデルの大きなクラスに適用することができ,多くの従来の情報基準は潜在的変数モデルの非同定可能性のために簡単に適用することができない。また,この方法は,小さな時間複雑さで漸近近似なしで正確に評価できるという利点を持っている。階層的ミニマックスレジスタと推定最適性の観点からDNMLを理論的に正当化した。合成データとベンチマークデータを用いた実験により,計算効率とモデル選択精度に関する本方法の妥当性を実証した。この基準は,サンプルサイズが小さく,データが雑音が多い場合に,特に他の既存の基準を支配することを示した。Copyright 2019 The Author(s), under exclusive licence to Springer Science+Business Media LLC, part of Springer Nature Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *正規化 ,  雑音 ,  判定基準 ,  ベンチマーク ,  近似法 ,  *最尤法 ,  計算効率 ,  *モデル選択
準シソーラス用語： 最小記述長 ,  最適性 ,  Gauss混合モデル ,  Bayes法 ,  MDL基準 ,  *符号長 ,  *潜在変数 , 【Automatic Indexing@JST】

著者キーワード (4件)： モデル選択 ,  潜在変数モデル ,  最小記述長 ,  正規化最尤符号化

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 潜在変数 ,  モデル選択 ,  分解 ,  正規化 ,  最尤 ,  符号長