Discovering high-probable structura

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.

ผลลัพธ์ (ไทย) 1:

คุณลักษณะโครงสร้างสูงน่าค้นหามีไม่การศึกษาอย่างกว้างขวางดังนั้น Madiganและยอร์ก (1995) เสนอวิธี Carlo มอน (MCMC) ในพื้นที่ของเครือข่ายลูกโซ่ Markovโครงสร้างการ ฟรีดแมนและ Koller (2003) ออกแบบกระบวนงาน MCMC มีประสิทธิภาพมากขึ้นในพื้นที่ของสั่งตัวแปร อัลกอริทึมเหล่านี้ออกโดยประมาณกิจกรรมหลังของโครงสร้างไม่มีรับประกันคุณภาพประมาณในรันจำกัด

ผลลัพธ์ (ไทย) 2:

การค้นพบคุณสมบัติที่มีโครงสร้างสูงน่าจะยังไม่ได้รับการศึกษาอย่างกว้างขวางดังนั้น ดิแกนและนิวยอร์ก (1995) เสนอห่วงโซ่มาร์คอฟ Monte Carlo (MCMC) วิธีการในพื้นที่ของเครือข่ายโครงสร้าง ฟรีดแมนและ Koller (2003) การออกแบบขั้นตอนการ MCMC มีประสิทธิภาพมากขึ้นในพื้นที่ของการสั่งซื้อตัวแปร ขั้นตอนวิธีการเหล่านี้การส่งออกน่าจะเป็นหลังโดยประมาณของลักษณะโครงสร้าง. ที่มีคุณภาพใกล้เคียงจะไม่รับประกันในการทำงานแน่นอน

ผลลัพธ์ (ไทย) 3:

สมาบัติมีโครงสร้างที่น่าจะเป็นสูงไม่ได้รับการศึกษาดังนั้นอย่างกว้างขวาง Madigan
และนิวยอร์ก ( 1995 ) เสนอ Markov Monte Carlo ( MCMC ) ในช่องว่างของโครงสร้างเครือข่าย

ฟรีดแมน และ โคลเลอร์ ( 2003 ) การออกแบบมีประสิทธิภาพมากขึ้น MCMC ขั้นตอนในพื้นที่ของ
คำสั่งตัวแปร ขั้นตอนวิธีเหล่านี้ออกประมาณของความน่าจะเป็นของลักษณะโครงสร้าง
คุณภาพการประมาณค่าจะไม่รับประกันในวิ่งจำกัด