Discrete optimisation in machine learning: learning of Bayesian network structures and conditional independence implication
Discrete optimisation in machine learning: learning of Bayesian network structures and conditional independence implication
复制标题
机器学习中的离散优化：贝叶斯网络结构的学习和条件独立含义
DOI：
--
复制
发表时间：
2012
期刊：
影响因子：
--
通讯作者：
S. Lindner
中科院分区：
文献类型：
--
作者：
S. Lindner
贝叶斯网络结构学习是一个NP难的非线性组合优化问题。这个问题可以转化为一个线性问题，但在指数维使用新引入的组合代表的特征集。这些0/1-向量使我们能够获得理论结果，并使用众所周知的优化软件学习贝叶斯网络结构。此外，条件蕴涵问题可以用特征集作为一个几何问题，线性优化方法可以快速求解。
Learning of Bayesian network structures is a NP-hard nonlinear combinatorial optimisation problem. This problem can be transformed into a linear problem but in exponential dimension using the newly introduced characteristic imsets which are combinatorial representatives. These 0/1-vectors enable us to obtain theoretical results and to use well-known optimisation software for the learning of Bayesian network structures Moreover the conditional implication problem can be formulated with characteristic imsets as a geometric problem for which methods from linear optimisation obtain fast solutions.
DOI：
--
发表时间：
2018
期刊：
影响因子：
--
作者：
石井 晶;矢田 和善;青嶋 誠;町田由登，フンドックトゥアン;Stephen Wu
通讯作者：
Stephen Wu
利用植物蛋白石中的碳进行生产遗迹测年方法的研究（Ⅲ） - 尝试提取碳并测量其 14C 测年 -
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
Kato;M. and Odagiri;H.;浜由樹子;黒田佑次郎・岩瀬哲・岩満優美・山本大悟・梅田恵・川口崇・坂田尚子・倉田博史・佐倉統・南雲吉則・中川恵一;中村俊夫
通讯作者：
中村俊夫