Our experiments demonstrate the app

Our experiments demonstrate the applicability of the method. For moderate-size networks the
running times were found to be feasible. The results also highlight the crucial role of the maximum
in-degree and the size of the data (i.e., the polynomial contribution) in the overall complexity.
We also showed that structure discovery on large networks is practical if one can judge a suitable
layering constraint on the space of network structures. Another main conclusion is that the actual
bottleneck in the current implementation is the space requirement, not the speed. For example,
a simple extrapolation (not shown) based on the speed measurements (shown in Table 1) reveals
that a posterior maximizing structure for the Alarm data (37 variables, 2500 examples, maximum
in-degree 4) could be found in about three days, if enough memory is present.

ผลลัพธ์ (ไทย) 1:

การทดลองของเราแสดงให้เห็นถึงความเกี่ยวข้องของวิธีการ สำหรับเครือข่ายขนาดปานกลางพบเวลาทำงานจะเป็นไปได้ ผลยังเน้นบทบาทสำคัญสูงสุดในระดับและขนาดของข้อมูล (เช่น พหุนามผล) ที่ซับซ้อนโดยรวมนอกจากนี้เรายังพบโครงสร้างที่ค้นพบบนเครือข่ายขนาดใหญ่เป็นปฏิบัติหนึ่งสามารถตัดสินความเหมาะสมจำกัด layering บนเนื้อที่ของโครงสร้างเครือข่าย บทสรุปหลักอื่นที่เป็นจริงติดขัดในการใช้งานในปัจจุบันที่ความต้องการเนื้อที่ ความเร็วไม่ได้ ตัวอย่างเผยตัวอย่าง extrapolation (ไม่แสดง) ตามการวัดความเร็ว (แสดงในตารางที่ 1)ที่หลังเพิ่มโครงสร้างข้อมูลการเตือนภัย (37 ตัวแปร ตัวอย่าง 2500 สูงสุดในองศา 4) พบประมาณสามวัน ถ้าพอมีอยู่

ผลลัพธ์ (ไทย) 2:

การทดลองของเราแสดงให้เห็นถึงการบังคับใช้ของวิธีการ
สำหรับเครือข่ายในระดับปานกลางขนาดครั้งที่พบการทำงานจะเป็นไปได้ ผลยังเน้นบทบาทสำคัญของสูงสุดในระดับและขนาดของข้อมูล (เช่นผลงานพหุนาม) ในความซับซ้อนโดยรวม. นอกจากนี้เรายังแสดงให้เห็นว่าการค้นพบโครงสร้างบนเครือข่ายที่มีขนาดใหญ่เป็นจริงถ้าใครสามารถตัดสินที่เหมาะสมจำกัด ชั้น ในพื้นที่ของโครงสร้างเครือข่าย อีกข้อสรุปหลักคือการที่เกิดขึ้นจริงคอขวดในการดำเนินการปัจจุบันใช้พื้นที่ที่ไม่ได้ความเร็ว ยกตัวอย่างเช่นอนุมานง่าย (ไม่แสดง) ขึ้นอยู่กับการตรวจวัดความเร็ว (แสดงในตารางที่ 1) แสดงให้เห็นว่าหลังการเพิ่มโครงสร้างข้อมูลการเตือนภัย(37 ตัวแปร 2,500 ตัวอย่างสูงสุดในองศา4) อาจจะพบได้ในเวลาประมาณสาม วันหากหน่วยความจำเพียงพอเป็นปัจจุบัน

ผลลัพธ์ (ไทย) 3:

การทดลองของเราแสดงให้เห็นถึงการประยุกต์ใช้วิธีการ สำหรับเครือข่ายขนาดปานกลาง
วิ่งครั้ง พบว่ามีความเป็นไปได้ นอกจากนั้นยังเน้นบทบาทที่สำคัญของสูงสุด
ในระดับและขนาดของข้อมูล ( เช่น ส่วนพหุนาม ) ในความซับซ้อนโดยรวม .
เรายังพบว่าโครงสร้างการค้นพบในเครือข่ายขนาดใหญ่ที่เป็นประโยชน์ถ้าสามารถตัดสินเหมาะ
ข้อจำกัดพื้นที่ชั้นของโครงสร้างเครือข่าย อีกข้อสรุปหลักคือ คอขวดในการใช้งานจริง
ปัจจุบันความต้องการพื้นที่ ไม่มีความเร็ว ตัวอย่างเช่น : ทำไมง่าย ( ไม่แสดง ) ขึ้นอยู่กับความเร็วในการวัด ( แสดงดังตารางที่ 1 ) พบว่า โครงสร้างของการเพิ่ม
ข้อมูลสัญญาณ ( 37 ตัวแปร 2 , 500 ตัวอย่าง สูงสุด
ในระดับ 4 ) อาจจะพบได้ใน 3 วัน ถ้าหน่วยความจำเพียงพอที่เป็นปัจจุบัน