This approach has several important

This approach has several important properties. First, the
Gaussian Process is a Bayesian method. Thus, the integration
of this form of regression into the Bayesian framework
of model selection is natural and fairly straightforward.
This allows us to interpret the results of the learning
as posterior probabilities, and to assess the posterior probability
of various networks structures (e.g., using methods
such as [9]). Second, the semi-parametric nature of the
prior allows to learn many continuous functional dependencies.
This is crucial for exploratory data analysis where
there is little prior knowledge on the form of interactions
we may encounter in data. In addition, the Gaussian Process
is biased to find functional dependencies among the
variables in the domain. This is a useful prior for domains
where we believe there is a direct causal dependency between
attributes.
In the remainder of this paper we review the Bayesian approach
for learning Bayesian networks. We then review
the definition of the Gaussian process prior in this setting
and discuss how to combine the two to learn networks. Finally,
we validate our approach on series of artificial examples
that test its generalization capabilities and apply to few
real-life data problems.

ผลลัพธ์ (ไทย) 1:

วิธีการนี้มีคุณสมบัติสำคัญหลาย ครั้งแรก การกระบวนการ gaussian คือ วิธีการทฤษฎี ดังนั้น การรวมของแบบนี้เป็นกรอบทฤษฎีการถดถอยรุ่น เลือกเป็นธรรมชาติ และค่อนข้างตรงไปตรงมานี้ช่วยให้เราสามารถตีความผลลัพธ์ของการเรียนรู้กิจกรรมหลัง และ เพื่อประเมินความเป็นไปได้หลังโครงสร้างเครือข่ายต่าง ๆ (เช่น ใช้วิธีการเช่น [9]) ที่สอง พาราเมตริกกึ่งธรรมชาติของการก่อนช่วยให้การเรียนรู้มากขึ้นทำงานอย่างต่อเนื่องนี้เป็นสิ่งสำคัญสำหรับการวิเคราะห์ข้อมูลเชิงบุกเบิกที่มีความรู้เดิมเล็กน้อยในรูปแบบของการโต้ตอบเราอาจพบข้อมูล นอกจากนี้ การใช้ Gaussianลำเอียงในการค้นหาอ้างอิงทำงานระหว่างการตัวแปรในโดเมน โดยก่อนมีประโยชน์สำหรับโดเมนซึ่งเราเชื่อว่ามีการอ้างอิงเชิงสาเหตุโดยตรงระหว่างแอตทริบิวต์ในส่วนเหลือของเอกสารนี้ เราทบทวนวิธีการทฤษฎีเรียนรู้ทฤษฎีเครือข่าย เราตรวจสอบแล้วคำนิยามก่อน Gaussian กระบวนการในการตั้งค่านี้และหารือเกี่ยวกับวิธีการรวมทั้งสองเรียนรู้เครือข่าย สุดท้ายเราตรวจสอบวิธีการของเราในชุดของตัวอย่างเทียมทดสอบความสามารถของ generalization และใช้น้อยปัญหาข้อมูลในชีวิตจริง

ผลลัพธ์ (ไทย) 2:

วิธีการนี้จะมีคุณสมบัติที่สำคัญหลายประการ
ก่อนที่กระบวนการเสียนเป็นวิธีการแบบเบย์ ดังนั้นการรวมกลุ่มในรูปแบบของการถดถอยลงในกรอบคชกรรมของการเลือกรูปแบบที่เป็นธรรมชาติและตรงไปตรงมาเป็นธรรม. นี้ช่วยให้เราสามารถแปลผลของการเรียนรู้ที่เป็นความน่าจะเป็นหลังและเพื่อประเมินความน่าจะเป็นหลังของโครงสร้างเครือข่ายต่างๆ(เช่นการใช้ วิธีการเช่น[9]) ประการที่สองลักษณะกึ่งตัวแปรของก่อนที่จะช่วยให้การเรียนรู้การพึ่งพาการทำงานหลาย ๆ อย่างต่อเนื่อง. นี้เป็นสิ่งสำคัญในการวิเคราะห์ข้อมูลการสำรวจที่มีความรู้ก่อนเพียงเล็กน้อยเกี่ยวกับรูปแบบของการสื่อสารที่เราอาจพบในข้อมูล นอกจากนี้กระบวนการเสียนจะลำเอียงที่จะหาการพึ่งพาการทำงานในหมู่ตัวแปรในโดเมน นี้เป็นประโยชน์สำหรับโดเมนก่อนที่เราเชื่อว่ามีการพึ่งพาสาเหตุโดยตรงระหว่างคุณลักษณะ. ในส่วนที่เหลือของบทความนี้เราจะตรวจสอบวิธีการแบบเบย์สำหรับการเรียนรู้เครือข่ายแบบเบย์ จากนั้นเราจะทบทวนความหมายของกระบวนการ Gaussian ก่อนในการตั้งค่านี้และหารือเกี่ยวกับวิธีการที่จะรวมทั้งสองในการเรียนรู้เครือข่าย ในที่สุดเราตรวจสอบวิธีการของเราในชุดของตัวอย่างเทียมที่ทดสอบความสามารถทั่วไปและนำไปใช้ไม่กี่ชีวิตจริงปัญหาข้อมูล

ผลลัพธ์ (ไทย) 3:

วิธีการนี้ยังมีคุณสมบัติที่สำคัญหลายประการ แรก ,
กระบวนการเสียนเป็นวิธีเบส์ . ดังนั้นการบูรณาการ
ของแบบฟอร์มนี้ของถดถอยเป็นแบบกรอบเลือกแบบธรรมชาติ

และตรงไปตรงมาเป็นธรรม นี้จะช่วยให้เราสามารถตีความผลลัพธ์ของการเรียนรู้
เป็นน่าจะเป็นด้านหลัง และเพื่อประเมินความเป็นไปได้ของโครงสร้างเครือข่ายของ
ต่างๆ ( เช่นโดยใช้วิธีการ
เช่น [ 9 ] ) ประการที่สอง กึ่งพาราธรรมชาติของ
ก่อนที่ช่วยให้เรียนรู้การพึ่งพาการทำงานอย่างต่อเนื่องหลาย นี้เป็นสิ่งสำคัญสำหรับ

มีการวิเคราะห์ข้อมูลที่สำรวจความรู้เล็ก ๆน้อย ๆในรูปแบบของการโต้ตอบ
เราอาจพบในข้อมูล นอกจากนี้กระบวนการเสียน
ลำเอียงหาการอ้างอิงการทำงานระหว่าง
ตัวแปรในเมนนี่เป็นประโยชน์ก่อนสำหรับโดเมน
ที่เราเชื่อว่ามีความสัมพันธ์โดยตรงระหว่าง

การแอตทริบิวต์ ในส่วนที่เหลือของบทความนี้เราจะตรวจสอบวิธีการที่ระบบและเครือข่ายการเรียนรู้แบบเบย์
. เราก็ทบทวน
นิยามของกระบวนการในการตั้งค่านี้ ) ก่อน
และหารือเกี่ยวกับวิธีการรวมสองเรียนรู้เครือข่าย ในที่สุด
เราตรวจสอบวิธีการของเราในชุดของตัวอย่างที่ทดสอบความสามารถด้านการประดิษฐ์

จริงและใช้เพียงข้อมูลปัญหา