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。
関係データへの確率的依存性をモデル化するとき,ドメインにおける状態の相対周波数への依存性は一般的である。例えば,流行中の学校閉鎖の可能性は,閾値を超える感染生徒の割合に依存する可能性がある。しばしば,離散的な閾値に依存するよりも依存性は連続的であり,例えば,病気を伝染する1つの蚊の咬傷の可能性は,媒介蚊の割合に依存する。現在のアプローチは,通常,領域要素自身よりも可能な世界上での確率のみを考慮する。例外は,条件付き確率論理のために最近導入されたリフテッドBayesネットワークであり,確率的データに対する離散依存性を表現する。相対的周波数への連続的依存性を統計的関係人工知能に明示的に組み入れる形式的手法である関数リフトBayesネットワークを導入し,条件付き確率論理のためのリフトBayesネットワークとそれらを比較,対比した。相対周波数の組込みはモデリングに有益であるだけでなく;また,訓練およびテストまたはアプリケーションドメインが異なるサイズを持つ場合の学習問題に対するより厳密なアプローチも提供する。この目的のために,サイズ増大のドメイン上の関数リフティングBayesネットワークにより誘導された漸近確率分布の表現を与えた。その表現はドメインサイズにわたってよく理解されたスケーリング挙動を持つので,ランダムサンプリングされた部分母集団から一貫して大きなドメインに対するパラメータを推定するために使用できる。さらに,FLBNのパラメトリック族において,収束はパラメータにおいて一様であり,それにより,モデルパラメータに対する漸近確率の意味ある依存性が保証されることを示した。【JST機械翻訳】