証拠の完全伝搬を可能にするBayesネットワークの学習【JST・京大機械翻訳】

Constantinou Anthony

プレプリント

J-GLOBAL ID：202202204295644310 整理番号：22P0133141

証拠の完全伝搬を可能にするBayesネットワークの学習【JST・京大機械翻訳】

Learning Bayesian Networks that enable full propagation of evidence

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2020年04月09日プレプリントサーバーでの情報更新日： 2020年06月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る