Формирование минимальных d-сепараторов в системе зависимостей

Виходячи з критерію d-сепарації та ациклічності орграфу моделі, виведено низку правил, які допомагають знаходити мінімальні d-сепаратори в АОГ-моделях залежностей. Правила дозволяють прискорено ідентифікувати наявність або відсутність ребер моделі. При цьому правила використовують тільки безумовну н...

Full description

Saved in:
Bibliographic Details
Published in:Кибернетика и системный анализ
Date:2009
Main Author: Балабанов, А.С.
Format: Article
Language:Russian
Published: Інститут кібернетики ім. В.М. Глушкова НАН України 2009
Subjects:
Online Access:https://nasplib.isofts.kiev.ua/handle/123456789/44399
Tags: Add Tag
No Tags, Be the first to tag this record!
Journal Title:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:Формирование минимальных d-сепараторов в системе зависимостей / А.С. Балабанов // Кибернетика и системный анализ. — 2009. — № 5. — С. 38-50. — Бібліогр.: 13 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine
Description
Summary:Виходячи з критерію d-сепарації та ациклічності орграфу моделі, виведено низку правил, які допомагають знаходити мінімальні d-сепаратори в АОГ-моделях залежностей. Правила дозволяють прискорено ідентифікувати наявність або відсутність ребер моделі. При цьому правила використовують тільки безумовну незалежність та умовну незалежність першого рангу. Сформульовано версії припущення каузальної неоманливості, які обґрунтовують застосування цих правил для виведення скелету моделі зі статистичних даних. Rules for efficiently finding minimal d-separating sets in DAG dependency models are inferred from the criterion of d-separation and acyclic property of digraph. The rules allow one to acceleratedly identify the presence or absence of edges in a model. These rules use only unconditional independencies and conditional independencies of rank one. Versions of the causal faithfulness assumption are formulated that justify the use of these rules in inferring the skeleton of a model from statistical data.
ISSN:0023-1274