文献

J-GLOBAL ID：202002260368640631   整理番号：20A0901814

小データ集合によるBayesネットワークパラメータの学習:制約法の下でのパラメータ拡張【JST・京大機械翻訳】

Learning Bayesian Network Parameters With Small Data Set: A Parameter Extension under Constraints Method

著者 (5件)： Hou Yongyan (School of Electrical and Control Engineering, Shaanxi University of Science and Technology, Xi’an, China) ,  Zheng Enrang (School of Electrical and Control Engineering, Shaanxi University of Science and Technology, Xi’an, China) ,  Guo Wenqiang (School of Electronic Information and Artificial Intelligence, Shaanxi University of Science and Technology, Xi’an, China) ,  Xiao Qinkun (College of Electronic Information Engineering, Xi’an Technological University, Xi’an, China) ,  Xu Ziwei (School of Electrical and Control Engineering, Shaanxi University of Science and Technology, Xi’an, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 24979-24989  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最近の進歩は,学習Bayesネットワーク(BN)からの実質的利益を例証した。しかし,利用可能なデータサイズが小さい場合,BNパラメータ学習は多くの知的応用において重要な課題となっている。サンプルデータとエキスパート制約の両方を統合することによって,関連ドメインエキスパート知識を導入することによって制約(PEUC)の下で拡張方法パラメータ拡張を有するBNパラメータ学習アルゴリズムを提案した。知識は,候補パラメータ集合が相対制約空間から生じる不等式制約に変換される。最大エントロピー原理は,統計的平均化モデルにおけるパラメータを推定するのに役立つが,BNパラメータの候補集合はブートストラップ技術によって制約された知識を満たす。次に,BNパラメータを,制約空間からの候補パラメータサンプルの実利用可能サンプリングデータセットと拡張ストリームに基づいて推定した。最終パラメータへの寄与に従って試料サイズも考慮した。ベンチマークBNモデリング問題の実験結果は,モデリングデータサイズが十分であるとき,PEUCアルゴリズムが古典的MLEアルゴリズムに傾向があることを実証した。さらに,利用可能なデータサイズが小さいとき,BNのパラメータをPEUCによって推定することができて,学習精度はMLE,MAPまたはQMAPアルゴリズムより優れていた。最後に,PEUCを実際のベアリング故障診断事例に適用した。提示した手法は,特にデータ集合が小さい場合に,より知的なシステムモデリング問題に対する新しい有望なBNパラメータ学習法を提供する。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  ブートストラップ ,  *学習 ,  軸受 ,  故障診断 ,  ベンチマーク ,  学習アルゴリズム
準シソーラス用語： *信念ネットワーク ,  パラメータ学習 ,  等式制約 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： データ集合 ,  Bayesネットワーク ,  パラメータ ,  学習 ,  制約 ,  拡張