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。
文献におけるBayesネットワークの構造学習のためのスコア関数は,データが均一な観測セットであると仮定する。一方,それらは,異なる方法で収集されたが,均一ではなく,均一でないデータセットを含む場合が多い。本論文では,Bayes階層Dirichlet(BHD)と呼ぶ新しいBayesDirichletスコアを提案した。提案したスコアは,データセットを横断して情報をプールする階層的モデルに基づいており,確率的構造の違いを考慮しながら,単一包含ネットワーク構造を学習する。限界尤度の変分近似を用いてBHDに対する閉形式表現を導出し,関連する計算コストを研究し,シミュレーションデータを用いてその性能を評価した。著者らは,データが複数の関連データセットを含むとき,BHDは,構造Hamming距離によって測定される再構成精度に関して,BayesDirichlet等価均一(BDeu)スコアより優れていて,それがデータが均一であるとき,それはBDeuと同じくらい正確であることを見出した。この改善は,ネットワーク中の変数数または観測数が大きい場合,特に明確である。さらに,推定ネットワークはスパースであり,従って,より少ない数の偽陽性アークのおかげで,BDeuで得られたものより解釈できる。【JST・京大機械翻訳】