解釈可能な動的関係データモデリングのためのリカレントDirichlet信念ネットワーク【JST・京大機械翻訳】

Li Yaqiong; Fan Xuhui; Chen Ling; Li Bin; Yu Zheng; Sisson Scott A.

プレプリント

J-GLOBAL ID：202202214375434142 整理番号：22P0115334

解釈可能な動的関係データモデリングのためのリカレントDirichlet信念ネットワーク【JST・京大機械翻訳】

Recurrent Dirichlet Belief Networks for Interpretable Dynamic Relational Data Modelling

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 (6件)： , , , , ,
資料名：
発行年： 2020年02月24日プレプリントサーバーでの情報更新日： 2020年04月29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)

Dirichlet Beliefネットワーク(DirBN)は,オブジェクトのための解釈可能な深い潜在表現を学習する有望なアプローチとして最近提案された。本研究では,その解釈可能なモデリングアーキテクチャを活用し,動的関係データから解釈可能な隠れ構造を研究するために,リカレントDirichlet Beliefネットワーク(Reカレント-DBN)の深い動的確率的フレームワークを提案した。本提案のリカレント-DBNには以下のメリットがある。(1)それは,時間ステップ内および間におけるオブジェクトに対する解釈可能かつ組織化された階層的潜在構造を推論する;(2)それは,動的確率的フレームワークのほとんどにおいて1次Markov記述を凌駕する,再発性長期時間依存性モデリングを可能にする。さらに,Reカレント-DBNのための効率的なGibbsサンプリングを可能にするために,まず,上方および後方に伝播する潜在計数および次に下方および前方のサンプル変数を,新しい推論戦略を開発した。動的関係データ問題に対してReカレント-DBNを適用した。実世界データに関する広範な実験結果は,解釈可能な潜在構造発見と改善されたリンク予測性能における最先端のモデルに対するRecurent-DBNの利点を検証した。【JST・京大機械翻訳】

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

人工知能 , システム・制御理論一般 , パターン認識

, ,

前のページに戻る