文献

J-GLOBAL ID：202202252771876085   整理番号：22A1163835

制約付きパラメータ領域の中心点の計算に基づくBayesネットワークパラメータのための新しい定性的最大事後推定【JST・京大機械翻訳】

A Novel Qualitative Maximum a Posteriori Estimation for Bayesian Network Parameters Based on Computing the Center Point of Constrained Parameter Regions

著者 (4件)： Di Ruohai (School of Electronics and Information Engineering, Xi’an Technological University, Xi’an, China) ,  Wang Peng (School of Electronics and Information Engineering, Xi’an Technological University, Xi’an, China) ,  Wu Jiao (School of Electronics and Information Engineering, Xi’an Technological University, Xi’an, China) ,  Guo Zhigao (School of Electronic Engineering and Computer Science, Queen Mary University of London, London, U.K.)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 37269-37280  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： パラメータ制約の導入は,小さなデータセットでBayesネットワークパラメータを学習するための主流アプローチになった。QMAP(Qualitive Maxim of Posteriori)推定は,既存の学習手法の中で最良の学習精度を生成した。しかし,平均BN(Bayesネットワーク)パラメータ値を決定するためにQMAPアルゴリズムで採用された拒絶-受容サンプリングは,特にパラメータ制約の数が大きいとき,時間がかかる。本論文は,制約されたパラメータ領域の中心点としてパラメータの平均値を処理することによって,QMAPアルゴリズムの学習効率を強化する新しい解析手法を提案して,それは伝統的QMAPアルゴリズムで採用された拒絶-受容サンプリング法よりはるかに効率的方法である。最初に,新しい目的関数を設計し,制約付き目的最適化モデルをパラメータ制約に基づいて構築した。第2に,構築したモデルを採用して,その境界点に基づく制約パラメータ領域の中心点を得て,平均パラメータ値はすべての境界点の平均値であった。4つのベンチマークBayesネットワークによる多数のシミュレーション実験から得た結果は,提案アルゴリズムのパラメータ学習精度が特定の条件下で元のQMAPアルゴリズムよりもわずかに良く,計算効率がすべての条件下で大幅に増加することを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  シミュレーション ,  学習 ,  信号標本化 ,  精度 ,  モデル ,  目的関数 ,  *パラメータ ,  ベンチマーク ,  機械学習
準シソーラス用語： 計算効率 ,  *信念ネットワーク ,  最適化モデル ,  学習効率 ,  パラメータ学習 ,  解析手法 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  信号理論  (ND02020G)

タイトルに関連する用語 (5件)： 制約 ,  パラメータ ,  計算 ,  Bayesネットワーク ,  推定