یادگیری شبکه های بیزی
ترجمه نشده

یادگیری شبکه های بیزی

عنوان فارسی مقاله: یادگیری شبکه های بیزی با ساختار محلی، متغیرهای مختلط و الگوریتم های دقیق
عنوان انگلیسی مقاله: Learning Bayesian networks with local structure, mixed variables, and exact algorithms
مجله/کنفرانس: مجله بین المللی استدلال تقریبی – International Journal of Approximate Reasoning
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی، مهندسی الگوریتم و محاسبات
کلمات کلیدی فارسی: شبکه های بیزی، درخت تصمیم، الگوریتم های دقیق، یادگیری ساختاری
کلمات کلیدی انگلیسی: Bayesian networks، Decision trees، Exact algorithms، Structure learning
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.ijar.2019.09.002
دانشگاه: Department of Computer Science, University of Helsinki, Finland
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 2.899 در سال 2019
شاخص H_index: 85 در سال 2020
شاخص SJR: 0.606 در سال 2019
شناسه ISSN: 0888-613X
شاخص Quartile (چارک): Q2 در سال 2019
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 27
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
کد محصول: E15003
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


۱٫ Introduction


۲٫ Preliminaries


۳٫ Partition–dyadic CART


۴٫ Algorithms


۵٫ Empirical studies


۶٫ Discussion


Declaration of Competing Interest


Acknowledgements


Appendix A. Full Intersection-Validation results


Appendix B. Overview of used UCI data sets including full prediction results


Appendix C. Remaining hyperparameter sensitivity plots


Appendix D. Additional results for studies with ordinal variables


References

نمونه متن انگلیسی مقاله

Abstract


Modern exact algorithms for structure learning in Bayesian networks first compute an exact local score of every candidate parent set, and then find a network structure by combinatorial optimization so as to maximize the global score. This approach assumes that each local score can be computed fast, which can be problematic when the scarcity of the data calls for structured local models or when there are both continuous and discrete variables, for these cases have lacked efficient-to-compute local scores. To address this challenge, we introduce a local score that is based on a class of classification and regression trees. We show that under modest restrictions on the possible branchings in the tree structure, it is feasible to find a structure that maximizes a Bayes score in a range of moderate-size problem instances. In particular, this enables global optimization of the Bayesian network structure, including the local structure. In addition, we introduce a related model class that extends ordinary conditional probability tables to continuous variables by employing an adaptive discretization approach. The two model classes are compared empirically by learning Bayesian networks from benchmark real-world and synthetic data sets. We discuss the relative strengths of the model classes in terms of their structure learning capability, predictive performance, and running time.


Introduction


Bayesian networks (BNs) compose a multivariate distribution as a product of univariate conditional probability distributions (CPDs). The potential complexity of the local CPDs, together with the global acyclicity constraint of the BN structure, make the task of learning BNs from data challenging in many ways. Even if we assume that the available data contain neither unobserved variables nor missing entries—like we will do throughout this article—there often remain the following three concerns: (i) Statistical efficiency: the data may be scarce, rendering simple tabular parameterizations of the CPDs, such as the conditional probability tables (CPTs), statistically inefficient. (ii) Heterogeneous variables: so-called hybrid BNs contain both discrete and continuous variables, again ruling out the most convenient and standard parameterizations of CPDs. (iii) Computational efficiency: the most natural formulations of the learning problem are computationally hard. This limits both the dimensions of the data and the complexity of the CPDs in relation to what can be solved under useful quality guarantees. Each of these issues (i–iii) has been addressed in the literature, as we will describe in the next paragraphs. The present authors are, however, not aware of any prior work that would simultaneously address all the three concerns.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

یادگیری شبکه های بیزی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها