深さ優先分枝限定法による目的変数パラメータ数を最小化するベイジアンネットワーク分類器学習

DOI

書誌事項

タイトル別名
  • Learning Bayesian Network Classifiers to Minimize the Number of Class Variable Parameters by Depth-First Branch and Bound Algorithm

抄録

ベイジアンネットワーク分類器(Bayesian Network Classifier: BNC)は高い分類精度をもつことが知られている.近年,最も分類精度の高いBNCとして,I-mapの中で目的変数パラメータ数(Number of Class variable Parameters: NCP)を最小にして,分類確率の推定のみを最適化するBNC学習法が提案されている.このBNC学習では幅優先探索を用いたアルゴリズムが提案されているが,20変数程度の構造学習が限界である.より大規模な構造を学習するために,本論文では,枝刈りにより構造学習を効率的に行うことができる深さ優先分枝限定法を用いた新たなアルゴリズムを提案する.具体的には,(1) Naive BayesのNCPがその下限値であることを証明し,(2) 深さ優先分枝限定法のためのNPCリバースオーダグラフを提案して,(1)で示した下限値を用いた枝刈りを導入する.提案手法は以下の利点がある.(1)従来手法よりも計算時間を大幅に削減する.(2) 実行途中にメモリ等のリソースが不足してもそれまでの最適な構造を得ることが可能である.レポジトリデータセットを用いた実験により,提案アルゴリズムは従来手法では学習できない58変数の構造学習を実現することを示す.

収録刊行物

詳細情報 詳細情報について

  • CRID
    1390017754378670080
  • DOI
    10.14923/transinfj.2023jdp7033
  • ISSN
    18810225
    18804535
  • 本文言語コード
    ja
  • データソース種別
    • JaLC
  • 抄録ライセンスフラグ
    使用不可

問題の指摘

ページトップへ