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。
本論文は,入力変数が依存しているという議論のおける仮定の下で,Bayesネットワーク(BN)構造学習における最近の開発に関して構築する。この仮定は,入力変数が既知であるか,または仮定される場合に対して,学習制約として見ることができる。それは,証拠の完全な伝播を許さない多重関節部分グラフを学習する問題を扱う。この問題は,入力データのサンプルサイズがモデルの次元に関して低い場合において非常に一般的であり,それは実際のデータで働くときしばしばケースである。本論文では,この問題を扱うSaiyanHと呼ばれる新しいハイブリッド構造学習アルゴリズムを示した。結果は,この制約が,最先端技術と比較して,高精度で真のエッジの数を推定するのを助けることを示した。調査した13のアルゴリズムのうち,結果は真のDAGを再構成するSaiyanH4thをランク付けし,精度スコアはトップランクアルゴリズムと比較して8.1%(F1),10.2%(BSF),および19.5%(SHD)で低く,ボトムランクアルゴリズムと比較して75.5%(F1),118%(BSF),および4.3%(SHD)でより高かった。全体として,提案アルゴリズムは,他のアルゴリズムが真のグラフにしばしば適合しない複数の素形部分グラフを生成する場合において,十分に正確な接続DAGを発見することを結果は示唆した。【JST・京大機械翻訳】