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 “Proliferator-C”...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2004
1. Verfasser:	Балабанов, О.С.
Format:	Artikel
Sprache:	Ukrainian
Veröffentlicht:	Інститут програмних систем НАН України 2004
Schlagworte:	Модели и средства инженерии баз данных и знаний
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/2079
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Ефективний метод виявлення структур залежностей в статистичних даних / О.С. Балабанов // Проблеми програмування. — 2004. — N 2,3. — С. 312-319. — Бібліогр.: 18 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-2079
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
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
title	Ефективний метод виявлення структур залежностей в статистичних даних
spellingShingle	Ефективний метод виявлення структур залежностей в статистичних даних Балабанов, О.С. Модели и средства инженерии баз данных и знаний
title_short	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_sort	ефективний метод виявлення структур залежностей в статистичних даних
author	Балабанов, О.С.
author_facet	Балабанов, О.С.
topic	Модели и средства инженерии баз данных и знаний
topic_facet	Модели и средства инженерии баз данных и знаний
publishDate	2004
language	Ukrainian
publisher	Інститут програмних систем НАН України
format	Article
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.
issn	1727-4907
url	https://nasplib.isofts.kiev.ua/handle/123456789/2079
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.
work_keys_str_mv	AT balabanovos efektivniimetodviâvlennâstrukturzaležnosteivstatističnihdanih
first_indexed	2025-12-07T13:19:57Z
last_indexed	2025-12-07T13:19:57Z
_version_	1850855756093456384

Ефективний метод виявлення структур залежностей в статистичних даних

Institution

Ähnliche Einträge