本文针对最优贝叶斯网络的结构学习问题,在动态规划算法(Dynamic Programming,DP)的基础上,使用IAMB算法(Incremental Association Markov Blanket,IAMB)计算得到的马尔科夫毯对评分计算过程进行约束,减少了评分的计算次数,提出了基于...本文针对最优贝叶斯网络的结构学习问题,在动态规划算法(Dynamic Programming,DP)的基础上,使用IAMB算法(Incremental Association Markov Blanket,IAMB)计算得到的马尔科夫毯对评分计算过程进行约束,减少了评分的计算次数,提出了基于马尔科夫毯约束的动态规划算法(Dynamic Programming Constrained with Markov Blanket,DPCMB),研究了IAMB算法中重要性阈值对DPCMB算法的各项性能指标的影响,给出了调整阈值的合理建议.实验结果表明,DPCMB算法可以通过调整重要性阈值,使该算法的精度与DP算法相当,极大地减少了算法的运行时间、评分计算次数和所需存储空间.展开更多
针对聚类中的多视角和可解释的问题,提出多视角生成模型的可解释性聚类算法(interpretable clustering with multi-view generative model,ICMG).ICMG能够产生多个视角的聚类划分,并通过视角的语义信息对聚类结果进行定性和定量地解释....针对聚类中的多视角和可解释的问题,提出多视角生成模型的可解释性聚类算法(interpretable clustering with multi-view generative model,ICMG).ICMG能够产生多个视角的聚类划分,并通过视角的语义信息对聚类结果进行定性和定量地解释.首先,构建一种多视角生成模型(multi-view generative model,MGM),该模型使用贝叶斯程序学习(Bayesian program learning,BPL)和嵌入多视角因素的贝叶斯案例模型(multi-view Bayesian case model,MBCM)生成多个视角.其次,基于视角的匹配度进行聚类得到多种聚类方案.最后使用视角的原型和子空间所附带的语义信息定性和定量地解释聚类结果.实验结果表明:ICMG能够得到多种可解释的聚类结果,相比于传统多视角聚类算法具有较明显的优势.展开更多
文摘本文针对最优贝叶斯网络的结构学习问题,在动态规划算法(Dynamic Programming,DP)的基础上,使用IAMB算法(Incremental Association Markov Blanket,IAMB)计算得到的马尔科夫毯对评分计算过程进行约束,减少了评分的计算次数,提出了基于马尔科夫毯约束的动态规划算法(Dynamic Programming Constrained with Markov Blanket,DPCMB),研究了IAMB算法中重要性阈值对DPCMB算法的各项性能指标的影响,给出了调整阈值的合理建议.实验结果表明,DPCMB算法可以通过调整重要性阈值,使该算法的精度与DP算法相当,极大地减少了算法的运行时间、评分计算次数和所需存储空间.
文摘针对聚类中的多视角和可解释的问题,提出多视角生成模型的可解释性聚类算法(interpretable clustering with multi-view generative model,ICMG).ICMG能够产生多个视角的聚类划分,并通过视角的语义信息对聚类结果进行定性和定量地解释.首先,构建一种多视角生成模型(multi-view generative model,MGM),该模型使用贝叶斯程序学习(Bayesian program learning,BPL)和嵌入多视角因素的贝叶斯案例模型(multi-view Bayesian case model,MBCM)生成多个视角.其次,基于视角的匹配度进行聚类得到多种聚类方案.最后使用视角的原型和子空间所附带的语义信息定性和定量地解释聚类结果.实验结果表明:ICMG能够得到多种可解释的聚类结果,相比于传统多视角聚类算法具有较明显的优势.
