Ефективний метод виявлення структур залежностей в статистичних даних
Розглянуто проблеми індуктивного виводу (відтворення) структур моделей ймовірнісних залежностей в класі ациклічних
 орієнтованих графів та в підкласі монопотокових моделей (де кожний цикл має два або більше колайдерів). Досліджено
 властивості монопотокових моделей. Розроблено метод...
Збережено в:
| Дата: | 2004 |
|---|---|
| Автор: | |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут програмних систем НАН України
2004
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/2079 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Ефективний метод виявлення структур залежностей в статистичних даних / О.С. Балабанов // Проблеми програмування. — 2004. — N 2,3. — С. 312-319. — Бібліогр.: 18 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862620206973583360 |
|---|---|
| author | Балабанов, О.С. |
| author_facet | Балабанов, О.С. |
| citation_txt | Ефективний метод виявлення структур залежностей в статистичних даних / О.С. Балабанов // Проблеми програмування. — 2004. — N 2,3. — С. 312-319. — Бібліогр.: 18 назв. — укр. |
| collection | DSpace DC |
| description | Розглянуто проблеми індуктивного виводу (відтворення) структур моделей ймовірнісних залежностей в класі ациклічних
орієнтованих графів та в підкласі монопотокових моделей (де кожний цикл має два або більше колайдерів). Досліджено
властивості монопотокових моделей. Розроблено метод “Proliferator-C” (узагальнений і вдосконалений варіант метода
Chow&Liu), який відтворює структуру монопотокової моделі, спираючись на знання колайдерних змінних та тести умовної
незалежності першого порядку, та алгоритм ‘Collifinder’, який ідентифікує всі колайдерні змінні. Порівняно з відомими
методами “Proliferator-C” є менш критичним до розміру відборки даних, а за складністю – близький до відомих алгоритмів
для лісів (дерев) залежностей.
Problems of recovery of probabilistic graphical model structures in class of acyclic directed graphs (DAG) and their subclass of
‘mono-streams’ models (i.e. digraphs with restriction that each cycle have two or more colliders) are considered. Properties of ‘monostreams’
models are examined. The method for learning structure of any ‘mono-streams’ model from statistical data are developed.
The method is more reliable and robust to sample size then known methods while its complexity is comparable with that for tree-like
dependency model recovery algorithms. The method consist of the algorithm ‘Collifinder’ for identification all colliders and method
“Proliferator-C”, an extended version of well-known Chow&Liu method.
|
| first_indexed | 2025-12-07T13:19:57Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-2079 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1727-4907 |
| language | Ukrainian |
| last_indexed | 2025-12-07T13:19:57Z |
| publishDate | 2004 |
| publisher | Інститут програмних систем НАН України |
| record_format | dspace |
| spelling | Балабанов, О.С. 2008-09-08T12:45:39Z 2008-09-08T12:45:39Z 2004 Ефективний метод виявлення структур залежностей в статистичних даних / О.С. Балабанов // Проблеми програмування. — 2004. — N 2,3. — С. 312-319. — Бібліогр.: 18 назв. — укр. 1727-4907 https://nasplib.isofts.kiev.ua/handle/123456789/2079 007:681.3.00 Розглянуто проблеми індуктивного виводу (відтворення) структур моделей ймовірнісних залежностей в класі ациклічних
 орієнтованих графів та в підкласі монопотокових моделей (де кожний цикл має два або більше колайдерів). Досліджено
 властивості монопотокових моделей. Розроблено метод “Proliferator-C” (узагальнений і вдосконалений варіант метода
 Chow&Liu), який відтворює структуру монопотокової моделі, спираючись на знання колайдерних змінних та тести умовної
 незалежності першого порядку, та алгоритм ‘Collifinder’, який ідентифікує всі колайдерні змінні. Порівняно з відомими
 методами “Proliferator-C” є менш критичним до розміру відборки даних, а за складністю – близький до відомих алгоритмів
 для лісів (дерев) залежностей. Problems of recovery of probabilistic graphical model structures in class of acyclic directed graphs (DAG) and their subclass of
 ‘mono-streams’ models (i.e. digraphs with restriction that each cycle have two or more colliders) are considered. Properties of ‘monostreams’
 models are examined. The method for learning structure of any ‘mono-streams’ model from statistical data are developed.
 The method is more reliable and robust to sample size then known methods while its complexity is comparable with that for tree-like
 dependency model recovery algorithms. The method consist of the algorithm ‘Collifinder’ for identification all colliders and method
 “Proliferator-C”, an extended version of well-known Chow&Liu method. uk Інститут програмних систем НАН України Модели и средства инженерии баз данных и знаний Ефективний метод виявлення структур залежностей в статистичних даних Article published earlier |
| spellingShingle | Ефективний метод виявлення структур залежностей в статистичних даних Балабанов, О.С. Модели и средства инженерии баз данных и знаний |
| title | Ефективний метод виявлення структур залежностей в статистичних даних |
| title_full | Ефективний метод виявлення структур залежностей в статистичних даних |
| title_fullStr | Ефективний метод виявлення структур залежностей в статистичних даних |
| title_full_unstemmed | Ефективний метод виявлення структур залежностей в статистичних даних |
| title_short | Ефективний метод виявлення структур залежностей в статистичних даних |
| title_sort | ефективний метод виявлення структур залежностей в статистичних даних |
| topic | Модели и средства инженерии баз данных и знаний |
| topic_facet | Модели и средства инженерии баз данных и знаний |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/2079 |
| work_keys_str_mv | AT balabanovos efektivniimetodviâvlennâstrukturzaležnosteivstatističnihdanih |