We have presented a novel algorithm

We have presented a novel algorithm for learning Bayesian network structures from data. Our
algorithm computes the exact posterior probability of a queried local subnetwork, e.g., a directed
edge between two nodes. A modified version of the algorithm finds a global network structurewhich maximizes the posterior probability. A major advantage of this method is that it explores
all possible structures, still running “only” in an exponential time with respect to the number of
network variables. We can expect that this feature makes it possible to successfully analyze cases
where inexact methods may fail. Although we provided some bits of evidence for this hypothesis,
more convincing validation would require a dedicated comparison study, not pursued in this paper.
Here we, instead, reported a set of experiments to illustrate the presented methods and to investigate
the actual speed of the implemented algorithms.

ผลลัพธ์ (ไทย) 1:

เราได้นำเสนอขั้นตอนวิธีนวนิยายเรียนรู้ทฤษฎีโครงสร้างเครือข่ายข้อมูล ของเราอัลกอริทึมคำนวณความน่าเป็นหลังแน่นอนของการสอบถามภายในเครือข่ายย่อย เช่น การระบุโดยตรงขอบระหว่างสองโหนด ปรับเปลี่ยนของอัลกอริทึมการค้นหาความน่าเป็นหลังวาง structurewhich เครือข่ายทั่วโลก ข้อดีหลักของวิธีนี้คือ ให้สำรวจทั้งหมดเป็นโครงสร้าง ยังคง ทำงานอยู่ในเวลาเนนกับจำนวน "เท่านั้น"ตัวแปรของตัวเครือข่าย เราสามารถคาดหวังว่า คุณลักษณะนี้ช่วยให้สามารถวิเคราะห์กรณีสำเร็จซึ่งวิธีการของอาจล้มเหลว ถึงแม้ว่าเรามีบิตบางหลักฐานสำหรับสมมติฐานนี้ตรวจสอบที่น่าเชื่อถือมากขึ้นจะต้องมีการศึกษาเปรียบเทียบเฉพาะ การไม่ติดตามในเอกสารนี้ที่นี่เรา แต่ รายงานชุดการทดลอง เพื่อแสดงให้เห็นถึงวิธีการนำเสนอ และ การตรวจสอบความเร็วจริงของอัลกอริทึมดำเนิน

ผลลัพธ์ (ไทย) 2:

เราได้นำเสนอวิธีการใหม่สำหรับการเรียนรู้โครงสร้างเครือข่ายแบบเบย์จากข้อมูล ของเราขั้นตอนวิธีการคำนวณความน่าจะเป็นหลังแน่นอนของเครือข่ายย่อยท้องถิ่นสอบถามเช่นกำกับขอบระหว่างสองโหนด รุ่นที่มีการปรับเปลี่ยนขั้นตอนวิธีพบว่าเครือข่ายทั่วโลก structurewhich เพิ่มความน่าจะเป็นหลัง ประโยชน์ที่สำคัญของวิธีนี้ก็คือว่ามันสำรวจโครงสร้างเป็นไปได้ทั้งหมดยังคงทำงาน "เท่านั้น" ในเวลาที่ชี้แจงที่เกี่ยวกับจำนวนของตัวแปรเครือข่าย เราสามารถคาดหวังว่าคุณลักษณะนี้จะทำให้มันเป็นไปได้ในการวิเคราะห์กรณีที่ประสบความสำเร็จที่วิธีการที่ไม่แน่นอนอาจล้มเหลว ถึงแม้ว่าเราจะให้บิตบางส่วนของหลักฐานสมมติฐานนี้การตรวจสอบน่าเชื่อถือมากขึ้นจะต้องมีการศึกษาเปรียบเทียบเฉพาะไม่ได้ติดตามในเอกสารนี้. ที่นี่เราแทนรายงานชุดการทดลองแสดงให้เห็นถึงวิธีการที่นำเสนอและตรวจสอบความเร็วที่แท้จริงของขั้นตอนวิธีการดำเนินการ

ผลลัพธ์ (ไทย) 3:

เราได้นำเสนอขั้นตอนวิธีใหม่สำหรับการเรียนรู้โครงสร้างเครือข่ายแบบเบย์ จากข้อมูล ขั้นตอนวิธีของเรา
คำนวณความน่าจะเป็นภายหลังแน่นอนของสอบถามท้องถิ่นที่อยู่ในเครือข่ายเดียวกัน เช่น มีการนำ
ขอบระหว่างสองโหนด เป็นรุ่นที่แก้ไขของขั้นตอนวิธีหา structurewhich เครือข่ายทั่วโลกเพิ่มความน่าจะเป็นที่ด้านหลัง ข้อได้เปรียบที่สำคัญของวิธีนี้คือว่ามันสำรวจ
โครงสร้างที่เป็นไปได้ทั้งหมด ยังคงใช้ " แค่ " มีเวลาชี้แจงเกี่ยวกับหมายเลขของ
ตัวแปรเครือข่าย เราสามารถคาดหวังว่า คุณลักษณะนี้จะทำให้มันเป็นไปได้ที่จะได้วิเคราะห์กรณี
ซึ่งวิธีการไม่ละเอียดอาจจะล้มเหลว แม้ว่าเราจะให้บางบิตของหลักฐานสำหรับสมมติฐานนี้
เราตรวจสอบจะต้องทุ่มเทเปรียบเทียบ ไม่ใช่ไล่ตามในกระดาษนี้
.ที่นี่เรา , แทน , รายงานชุดของการทดลองเพื่อแสดงให้เห็นถึงวิธีการนำเสนอและศึกษา
ความเร็วที่แท้จริงของใช้อัลกอริธึม