دانلود رایگان مقاله انگلیسی هرس مبتنی بر آنتروپی برای یادگیری شبکه های بیزی با استفاده از BIC - الزویر 2018

قیمت خرید این محصول

رایگان

دانلود مقاله انگلیسی سفارش ترجمه این مقاله

عنوان فارسی

هرس مبتنی بر آنتروپی برای یادگیری شبکه های بیزی با استفاده از BIC

عنوان انگلیسی

Entropy-based pruning for learning Bayesian networks using BIC

صفحات مقاله فارسی

0

صفحات مقاله انگلیسی

14

سال انتشار

2018

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

نوع مقاله

ISI

نوع نگارش

Short communication

رفرنس

دارد

پایگاه

اسکوپوس

کد محصول

E10167

رشته های مرتبط با این مقاله

مهندسی کامپیوتر، فناوری اطلاعات

گرایش های مرتبط با این مقاله

شبکه های کامپیوتری

مجله

هوش مصنوعی - Artificial Intelligence

دانشگاه

Utrecht University - The Netherlands

کلمات کلیدی

یادگیری ساختاری؛ شبکه های بیزی؛ BIC؛ هرس مجموعه

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.artint.2018.04.002

برای سفارش ترجمه این مقاله با کیفیت عالی و در کوتاه ترین زمان ممکن توسط مترجمین مجرب سایت ایران عرضه؛ روی دکمه سبز رنگ کلیک نمایید.

چکیده

Abstract

For decomposable score-based structure learning of Bayesian networks, existing approaches first compute a collection of candidate parent sets for each variable and then optimize over this collection by choosing one parent set for each variable without creating directed cycles while maximizing the total score. We target the task of constructing the collection of candidate parent sets when the score of choice is the Bayesian Information Criterion (BIC). We provide new non-trivial results that can be used to prune the search space of candidate parent sets of each node. We analyze how these new results relate to previous ideas in the literature both theoretically and empirically. We show in experiments with UCI data sets that gains can be significant. Since the new pruning rules are easy to implement and have low computational costs, they can be promptly integrated into all state-of-the-art methods for structure learning of Bayesian networks.

نتیجه گیری

Conclusions

This paper presents new non-trivial pruning rules to be used with the Bayesian Information Criterion (BIC) score for learning the structure of Bayesian networks. The derived theoretical bounds extend previous results in the literature and can be promptly integrated into existing solvers with minimal effort and computational costs. They imply faster computations without losing optimality. The very computationally efficient version of the new rules imply gains of around 20% with respect to previous work, according to our experiments, while the most computationally demanding pruning achieves around 50% more pruning than before. Pruning rules for other widely used scores such as the Bayesian Dirichlet equivalent uniform (BDeu) have been devised [13] and some researchers conjecture that they cannot be improved. Similarly, we conjecture that further bounds for the BIC score are unlikely to exist unless for some particular cases and situations. This can be studied in a future work, as well as means to devise smart strategies to tune the theorem parameters and improve their pruning capabilities.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی فناوری اطلاعات IT، دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات isi