The best understood approach for mo

The best understood approach for modeling continuous distributions
in Bayesian network learning is based on Gaussian
distributions [11]. This form of continuous Bayesian
network can be learned using exact Bayesian derivations
quite efficiently. Unfortunately, the expressive power of
Gaussian networks is limited. Formally, "pure" Gaussian
networks can only learn linear dependencies among the
measured variables.
This is a serious restriction when learning in domains with
non-linear interactions, or domains where the nature of the
interactions is unknown. A common way of avoiding this
problem is to introduce hidden variables that represent mixtures
of Gaussians (e.g., [28, 34]). An alternative approach
that has been suggested is to learn with non-parametric densities
[17].

ผลลัพธ์ (ไทย) 1:

ส่วนที่เข้าใจวิธีการสร้างโมเดลการกระจายอย่างต่อเนื่องในทฤษฎี การเรียนรู้เครือข่ายตาม Gaussianการกระจาย [11] ทฤษฎีต่อเนื่องแบบนี้เครือข่ายสามารถจะเรียนรู้โดยใช้รากศัพท์ทฤษฎีแน่นอนค่อนข้างมีประสิทธิภาพ อับ พลังการแสดงออกของGaussian เครือข่ายถูกจำกัด อย่างเป็นกิจจะลักษณะ Gaussian "บริสุทธิ์"เครือข่ายเท่านั้นสามารถเรียนรู้ความสัมพันธ์เชิงเส้นระหว่างการตัวแปรที่วัดนี้เป็นข้อจำกัดอย่างจริงจังเมื่อเรียนในโดเมนด้วยไม่เชิงโต้ตอบ หรือโดเมนที่ลักษณะของการโต้ตอบไม่รู้จัก วิธีการหลีกเลี่ยงนี้ปัญหาคือการ แนะนำตัวแปรซ่อนที่แสดงส่วนผสมของ Gaussians (เช่น, [28, 34]) วิธีการอื่นที่มีการแนะนำการเรียนรู้ มีความหนาแน่นไม่ใช่พาราเมตริก[17]

ผลลัพธ์ (ไทย) 2:

วิธีการที่เข้าใจกันดีที่สุดสำหรับการสร้างแบบจำลองการกระจายอย่างต่อเนื่องในการเรียนรู้เครือข่ายแบบเบย์จะขึ้นอยู่กับเสียนกระจาย[11] รูปแบบของแบบเบย์อย่างต่อเนื่องนี้เครือข่ายสามารถเรียนรู้ได้โดยใช้การพิสูจน์คชกรรมแน่นอนค่อนข้างมีประสิทธิภาพ แต่น่าเสียดายที่การแสดงพลังของเครือข่ายเสียนจะถูก จำกัด อย่างเป็นทางการ "บริสุทธิ์" เสียนเครือข่ายเท่านั้นที่สามารถเรียนรู้การอ้างอิงเชิงเส้นในหมู่ตัวแปรวัด. นี้เป็นข้อ จำกัด อย่างรุนแรงเมื่อการเรียนรู้ในโดเมนที่มีปฏิสัมพันธ์ที่ไม่ใช่เชิงเส้นหรือโดเมนที่ธรรมชาติของปฏิสัมพันธ์ไม่เป็นที่รู้จัก วิธีการทั่วไปในการหลีกเลี่ยงนี้ปัญหาคือการแนะนำตัวแปรที่ซ่อนอยู่ที่เป็นตัวแทนของผสมของGaussians (เช่น [28 34]) วิธีทางเลือกที่ได้รับการแนะนำคือการเรียนรู้ที่มีความหนาแน่นที่ไม่ใช่พารา[17]

ผลลัพธ์ (ไทย) 3:

เข้าใจวิธีการที่ดีที่สุดแบบต่อเนื่องการแจกแจง
ในเครือข่ายการเรียนรู้แบบเบย์จะขึ้นอยู่กับการกระจาย Gaussian
[ 11 ] รูปแบบของเครือข่ายแบบเบย์
อย่างต่อเนื่องสามารถเรียนรู้ได้ใช้แน่นอนคชกรรม derivations
ค่อนข้างมีประสิทธิภาพ ขออภัย การแสดงออกถึงพลัง
เครือข่าย > จำกัด อย่างเป็นทางการ , " บริสุทธิ์ " เครือข่าย >
เท่านั้นที่สามารถเรียนรู้การพึ่งพาระหว่าง
เชิงเส้นตัวแปรวัด .
นี่คือจำกัดร้ายแรงเมื่อการเรียนรู้แบบปฏิสัมพันธ์โดเมนด้วย
หรือโดเมนที่ธรรมชาติของ
การโต้ตอบที่ไม่รู้จัก วิธีการทั่วไปของการหลีกเลี่ยงปัญหานี้คือการแนะนำที่ซ่อน
ตัวแปรที่เป็นตัวแทนของ gaussians )
( เช่น [ 28 , 34 ] ) ทางเลือกในวิธีการ
ที่ได้รับแนะนำ คือ การเรียนรู้กับไม่ใช้พารามิเตอร์ความหนาแน่น
[ 17 ]