structures grows super-exponentiall

structures grows super-exponentially with respect to the number of network variables, exact computations
are often found infeasible. Indeed, it is known that finding an optimal Bayesian network
structure is NP-hard even when the maximum in-degree is bounded by a constant greater than one
(Chickering et al., 1995). Consequently, much of the research has focused on inexact methods.
To find a good or an optimal network structure, various generic heuristics, like stochastic local
search and genetic algorithms, have been used (see, e.g., Heckerman et al., 1995a; Larra ˜naga et al.,
1996). These methods can be also extended to find equivalence classes of network structures (for
recent advances, see Chickering, 2002; Acid and de Campos, 2003; Castelo and Koˇcka, 2003). A
central problem in all these algorithms is that one cannot guarantee the quality of the output. Also,
the time requirement, though often practical, may be difficult to estimate beforehand.
Discovering high-probable structural features has not been studied so extensively. Madigan
and York (1995) propose a Markov chain Monte Carlo (MCMC) method in the space of network
structures. Friedman and Koller (2003) design a more efficient MCMC procedure in the space of
variable orders. These algorithms output approximate posterior probabilities of structural features.
The approximation quality is not guaranteed in finite runs.
Exact algorithms for structure learning have been presen

ผลลัพธ์ (ไทย) 1:

โครงสร้างซุปเปอร์สร้างขึ้นกับจำนวนตัวแปรเครือข่าย ประมวลผลแน่นอนมักพบถอด แน่นอน เป็นที่รู้จักกันที่ค้นหาเครือข่ายทฤษฎีเหมาะสมโครงสร้างเป็น NP หนักแม้เมื่อล้อมรอบที่สูงสุดในองศา โดยค่าคงที่มากกว่าหนึ่ง(Chickering et al., 1995) ดังนั้น มากของการวิจัยได้เน้นในวิธีของการค้นหาดีหรือเป็นโครงสร้างเครือข่ายที่ดีที่สุด ต่าง ๆ ทั่วไปลองผิดลองถูก เช่นถิ่นสโทแคสติกค้นหาและอัลกอริทึมทางพันธุกรรม การใช้ (ดู เช่น Heckerman et al., 1995a Larra ˜naga et al.,ปี 1996) ด้วยวิธีการเหล่านี้สามารถยังขยายหาเทียบเท่าชั้นของโครงสร้างเครือข่าย (สำหรับความก้าวหน้าล่าสุด ดู Chickering, 2002 กรดและ de Campos, 2003 คาสและ Koˇcka, 2003) Aกลางปัญหากระบวนเหล่านี้เป็นไม่สามารถรับประกันคุณภาพของผลผลิต ยังความต้องการเวลา แต่ทางปฏิบัติมักจะ อาจยากที่จะประเมินล่วงหน้าคุณลักษณะโครงสร้างสูงน่าค้นหามีไม่การศึกษาอย่างกว้างขวางดังนั้น Madiganและยอร์ก (1995) เสนอวิธี Carlo มอน (MCMC) ในพื้นที่ของเครือข่ายลูกโซ่ Markovโครงสร้างการ ฟรีดแมนและ Koller (2003) ออกแบบกระบวนงาน MCMC มีประสิทธิภาพมากขึ้นในพื้นที่ของสั่งตัวแปร อัลกอริทึมเหล่านี้ออกโดยประมาณกิจกรรมหลังของโครงสร้างไม่มีรับประกันคุณภาพประมาณในรันจำกัดอัลกอริทึมแน่นอนเรียนโครงสร้างมีการ presen

ผลลัพธ์ (ไทย) 2:

โครงสร้างเติบโตซุปเปอร์ชี้แจงเกี่ยวกับการจำนวนของตัวแปรเครือข่ายการคำนวณที่แน่นอนจะพบว่ามักจะเป็นไปไม่ได้
อันที่จริงก็เป็นที่รู้จักกันว่าการหาเครือข่ายที่ดีที่สุดคชกรรมโครงสร้าง NP-ยากแม้ในขณะที่สูงสุดในระดับเป็นที่สิ้นสุดโดยค่าคงที่มากกว่าหนึ่ง (Chickering et al., 1995) . ดังนั้นมากของการวิจัยได้มุ่งเน้นไปที่วิธีการไม่แน่นอนในการค้นหาที่ดีหรือโครงสร้างเครือข่ายที่ดีที่สุด, การวิเคราะห์พฤติกรรมทั่วไปต่างๆเช่นท้องถิ่นสุ่มค้นหาและขั้นตอนวิธีพันธุกรรมได้ถูกนำมาใช้ (ดูเช่น Heckerman, et al, 1995a. Larra ~naga et al., 1996) วิธีการเหล่านี้สามารถขยายไปยังหาชั้นเรียนสมดุลของโครงสร้างเครือข่าย (สำหรับความก้าวหน้าล่าสุดดูChickering 2002; กรดและโปส 2003; Castelo และ Kocka, 2003) ปัญหาสำคัญในขั้นตอนวิธีการเหล่านี้เป็นที่หนึ่งไม่สามารถรับประกันคุณภาพของการส่งออก นอกจากนี้ความต้องการเวลา แต่มักจะปฏิบัติอาจจะยากที่จะประเมินก่อน. การค้นพบคุณสมบัติที่มีโครงสร้างสูงน่าจะยังไม่ได้รับการศึกษาอย่างกว้างขวางดังนั้น ดิแกนและนิวยอร์ก (1995) เสนอห่วงโซ่มาร์คอฟ Monte Carlo (MCMC) วิธีการในพื้นที่ของเครือข่ายโครงสร้าง ฟรีดแมนและ Koller (2003) การออกแบบขั้นตอนการ MCMC มีประสิทธิภาพมากขึ้นในพื้นที่ของการสั่งซื้อตัวแปร ขั้นตอนวิธีการเหล่านี้การส่งออกน่าจะเป็นหลังโดยประมาณของลักษณะโครงสร้าง. ที่มีคุณภาพใกล้เคียงจะไม่รับประกันในการทำงานแน่นอน. ขั้นตอนวิธีการที่แน่นอนสำหรับการเรียนรู้โครงสร้างได้รับการ presen

ผลลัพธ์ (ไทย) 3:

โครงสร้างเติบโต ซูเปอร์ชี้แจงเกี่ยวกับจำนวนของตัวแปรเครือข่าย แน่นอนการคำนวณ
มักพบว่าไม่คุ้มค่า จริงๆแล้ว มันเป็นที่รู้จักกันว่า การหาโครงสร้างเครือข่ายคชกรรมที่ดีที่สุดคือ NP ยาก
แม้ว่าสูงสุดในระดับเป็นล้อมรอบด้วยค่าคงที่มากกว่า 1
( โปรแกรม et al . , 1995 ) ดังนั้นมากของการวิจัยได้มุ่งเน้นวิธีการ
ไม่ละเอียด .ค้นหาดีหรือมีโครงสร้างเครือข่ายที่เหมาะสม การวิเคราะห์พฤติกรรมทั่วไปต่างๆ เช่น Stochastic ท้องถิ่น
ค้นหาและขั้นตอนวิธีพันธุกรรมได้ ( ดู เช่น heckerman et al . , 1995a ; ลาล่า˜นาค et al . ,
1996 ) วิธีการเหล่านี้สามารถขยายหาเรียนเทียบเท่าของโครงสร้างเครือข่าย (
ก้าวหน้า เห็นโปรแกรม , 2002 ; กรดและ de Campos , 2003 ; Castelo และเกาะˇ cka , 2003 )
เป็นปัญหาหลักในขั้นตอนวิธีการทั้งหมดเหล่านี้เป็นที่หนึ่งไม่สามารถรับประกันคุณภาพของผลผลิต นอกจากนี้
ความต้องการครั้ง แม้ว่าปฏิบัติบ่อยๆ อาจจะยากที่จะประมาณการล่วงหน้า
สมาบัติมีโครงสร้างที่น่าจะเป็นสูงไม่ได้รับการศึกษาดังนั้นอย่างกว้างขวาง Madigan
และนิวยอร์ก ( 1995 ) เสนอ Markov Monte Carlo ( MCMC ) ในช่องว่างของโครงสร้างเครือข่าย

ฟรีดแมน และ โคลเลอร์ ( 2003 ) การออกแบบมีประสิทธิภาพมากขึ้น MCMC ขั้นตอนในพื้นที่ของ
คำสั่งตัวแปร ขั้นตอนวิธีเหล่านี้ออกประมาณของความน่าจะเป็นของลักษณะโครงสร้าง
คุณภาพประมาณจะไม่รับประกันในวิ่งจำกัด .
ขั้นตอนวิธีโครงสร้างการเรียนรู้ได้รับ presen แน่นอน