n this paper both weak points are a

n this paper both weak points are addressed. A computationally more
efficient alternative to the first weak point is introduced and a well founded
softening alternative is proposed that solves the second weak point. More concretely,
we show that under the assumption of decomposable distributions over
TANs, we can efficiently compute the TAN model with a maximum a posteriori
(MAP) probability. This result allows the construction of maptan, a classifier
that provides a well founded alternative to the softening proposed in [7] and
improves its error rate and the accuracy of the predicted class probabilities.
Furthermore, we will also prove that under this assumption we can efficiently
compute the k most probable TAN models and their relative probabilities. This
result allows the construction of maptan+bma, a classifier that takes into consideration
model uncertainty to some extent and improves in time complexity
and accuracy over its equivalent presented in [3]. Furthermore, established TAN
classifiers do not easily allow the introduction of prior knowledge into the learning
process. Being able to compute MAP TAN structures means that we can
easily do that, whenever our prior knowledge can be represented as a decomposable
distribution over TANs.

ผลลัพธ์ (ไทย) 1:

n ของอ่อนแอทั้งนี้กระดาษระบุจุด A computationally เพิ่มเติมนำทางเลือกที่มีประสิทธิภาพจุดอ่อนแรก และก่อตั้งขึ้นด้วยมีเสนอทางเลือกที่นุ่มนวลที่แก้จุดอ่อนที่สอง มีรูปธรรมเราแสดงว่าภายใต้สมมติฐานของการกระจาย decomposable กว่าTANs เราสามารถมีประสิทธิภาพคำนวณแบบ TAN มากที่สุดเป็น posterioriความน่าเป็น (แผนที่) ผลนี้ช่วยให้การก่อสร้าง maptan, classifier เป็นที่ให้เป็นทางเลือกที่ดีก่อตั้งขึ้นเพื่อการชะลอนำเสนอใน [7] และเพิ่มอัตราความผิดพลาดและความแม่นยำของการคาดการณ์ระดับกิจกรรมนอกจากนี้ เราจะยังพิสูจน์ว่า ภายใต้สมมติฐานนี้ เราสามารถได้อย่างมีประสิทธิภาพคำนวณรุ่น TAN ที่สุดน่าเป็น k และกิจกรรมสัมพันธ์ของพวกเขา นี้ผลทำให้การก่อสร้างของ maptan + bma, classifier ที่จะพิจารณารูปแบบความไม่แน่นอนบ้าง และปรับปรุงในความซับซ้อนของเวลาและความถูกต้องมากกว่าเทียบเท่ากับการนำเสนอใน [3] นอกจากนี้ ก่อตั้งขึ้นแทนคำนามภาษาไม่ได้อนุญาตให้นำความรู้เดิมเป็นการเรียนรู้กระบวนการ ความสามารถในการคำนวณแทนแผนที่โครงสร้างหมายความว่าเราสามารถทำที่ เมื่อใดก็ ตามที่สามารถแสดงความรู้เดิมของเราเป็นแบบ decomposableกระจายผ่าน TANs

ผลลัพธ์ (ไทย) 2:

n บทความนี้ทั้งสองจุดที่อ่อนแอได้ถูกแก้ไข คอมพิวเตอร์มากขึ้นทางเลือกที่มีประสิทธิภาพในการจุดที่อ่อนแอเป็นครั้งแรกที่มีการแนะนำและก่อตั้งดีทางเลือกที่อ่อนมีการเสนอที่แก้จุดอ่อนที่สอง เพิ่มเติมรูปธรรมที่เราแสดงให้เห็นว่าภายใต้สมมติฐานของการกระจาย decomposable มากกว่ายี่หระเราสามารถคำนวณได้อย่างมีประสิทธิภาพรูปแบบกับTAN สูงสุด posteriori (MAP) ความน่าจะเป็น ผลที่ได้นี้จะช่วยให้การก่อสร้าง maptan, ลักษณนามที่ให้ดีก่อตั้งขึ้นทางเลือกที่จะชะลอตัวที่นำเสนอใน[7] และช่วยเพิ่มอัตราความผิดพลาดและความถูกต้องของความน่าจะเป็นระดับที่คาดการณ์ไว้. นอกจากนี้เรายังจะพิสูจน์ให้เห็นว่าภายใต้สมมติฐานนี้เราสามารถ ได้อย่างมีประสิทธิภาพคำนวณk น่าจะเป็นที่สุดรุ่น TAN และความน่าจะเป็นญาติของพวกเขา นี้ผลจะช่วยให้การก่อสร้าง maptan + กรุงเทพมหานครลักษณนามที่จะนำเข้าสู่การพิจารณาความไม่แน่นอนของรูปแบบที่มีขอบเขตและช่วยเพิ่มความซับซ้อนในเวลาและความถูกต้องมากกว่าเทียบเท่านำเสนอใน[3] นอกจากนี้การจัดตั้ง TAN แยกแยะไม่ได้อย่างง่ายดายช่วยให้การเปิดตัวของความรู้ก่อนเข้าสู่การเรียนรู้กระบวนการ ความสามารถในการคำนวณโครงสร้างแผนที่ TAN หมายความว่าเราสามารถกระทำได้เมื่อใดก็ตามที่ความรู้เดิมของเราสามารถแสดงเป็นdecomposable กระจายมากกว่ายี่หระ

ผลลัพธ์ (ไทย) 3:

นี้กระดาษทั้งจุดอ่อนจะอยู่ . การเพิ่มประสิทธิภาพ computationally
จุดอ่อนแรกแนะนำและดีขึ้น
อาศัยทางเลือกเสนอแก้จุดอ่อนที่สอง อีกอย่างเป็นรูปธรรม
เรา , แสดงให้เห็นว่าภายใต้สมมติฐานของการกระจาย decomposable กว่า
ทำเราได้อย่างมีประสิทธิภาพสามารถคำนวณแบบตัน มี สูงสุดจากผลไปสู่เหตุ
( แผนที่ ) ความน่าจะเป็นผลที่ได้นี้จะช่วยให้สร้าง maptan , ลักษณนาม
ที่ให้ดีก่อตั้งขึ้นทางเลือกให้อาศัยเสนอใน [ 7 ] และ
ปรับปรุงอัตราความผิดพลาดและความถูกต้องของการคาดการณ์ระดับความน่าจะเป็นของ .
นอกจากนี้เรายังพิสูจน์ว่า ภายใต้สมมติฐานนี้เราสามารถได้อย่างมีประสิทธิภาพ
คำนวณ K รุ่นและน่าจะเป็นที่สุดแทน ญาติของความน่าจะเป็น นี้
ส่งผลให้สร้าง maptan กรุงเทพมหานคร , ลักษณนามว่า ใช้เวลาในการพิจารณาแบบจำลองความไม่แน่นอนบ้าง

และเพิ่มความซับซ้อนในเวลาและความถูกต้องมากกว่าเทียบเท่านำเสนอใน [ 3 ] นอกจากนี้ สร้างคำตัน
ไม่ได้ง่ายช่วยแนะนำความรู้ก่อนเข้า
กระบวนการการเรียนรู้ สามารถคำนวณโครงสร้างแทนแผนที่ หมายความว่าเราสามารถ
สามารถทำเมื่อใดก็ตามที่ความรู้เดิมของเราสามารถแสดงเป็นกระจาย decomposable
กว่า tans .