In this paper, we follow an informa

In this paper, we follow an information-geometric optimiza-tion approach for network inference. Information geometry provides a systematic mechanism to infer the probability distributions from incomplete observations [8], [9] by maxi-mizing the entropy of the unknown probability space (i.e., by following the maximum entropy principle). The underly-ing optimization problem aims to minimize the distance to prior distributions subject to the constraints imposed by the

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ เราทำตามวิธีการทางเรขาคณิตของข้อมูล optimiza-ทางการค้าสำหรับการอ้างอิงเครือข่าย เรขาคณิตของข้อมูลมีระบบกลไกในการสรุปการกระจายความน่าเป็นจากการสังเกตไม่สมบูรณ์ [8], [9] โดย mizing ซี่ entropy ของพื้นที่ความน่าเป็นที่รู้จัก (เช่น ตามหลักการสูงสุด entropy) ปัญหาการเพิ่มประสิทธิภาพ underly ing มีวัตถุประสงค์เพื่อลดระยะทางการกระจายก่อนอาจมีข้อจำกัดที่กำหนดโดยการ

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราทำตามวิธีการ optimiza-ข้อมูลทางเรขาคณิตสำหรับเครือข่ายการอนุมาน เรขาคณิตข้อมูลให้เป็นกลไกที่เป็นระบบเพื่อสรุปแจกแจงความน่าจะไม่สมบูรณ์จากการสังเกต [8] [9] โดย Maxi-mizing เอนโทรปีของพื้นที่ที่น่าจะเป็นที่ไม่รู้จัก (เช่นโดยทำตามหลักการเอนโทรปีสูงสุด) ปัญหาการเพิ่มประสิทธิภาพ underly ไอเอ็นจีมีจุดมุ่งหมายเพื่อลดระยะทางในการกระจายก่อนภายใต้ข้อ จำกัด ที่กำหนดโดย

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราติดตามข้อมูลทางเรขาคณิต optimiza tion แนวทางเชิงเครือข่าย ข้อมูลเรขาคณิตให้กลไกระบบการอนุมานการแจกแจงความน่าจะเป็นจากสมบูรณ์สังเกต [ 8 ] , [ 9 ] โดย Maxi mizing เอนโทรปีความน่าจะเป็นของพื้นที่ที่ ( เช่น ตามหลักการเอนโทรปีสูงสุด ) การเพิ่มประสิทธิภาพเพื่อลดปัญหาครูที่สอนวิชาคณิตศาสตร์ จำนวน 172 ไอเอ็นจีมีระยะทางก่อนที่การแจกแจงภายใต้ข้อจำกัดที่กำหนดโดย