An algeraic approach to structural learning Bayesian networks

0040066 - ÚTIA 2007 RIV FR eng C - Conference Paper (international conference)
Studený, Milan
An algeraic approach to structural learning Bayesian networks.
[Algebraický přístup k strukturálnímu učení Bayesovských sítí.]
IPMU 2006. Information Processing and Management of Uncertainty in Knowledge-Based Systems. Paris: Editions EDK, 2006 - (Bouchon-Meunier, B.; Yager, R.), s. 2284-2291. ISBN 2-84254-112-X.
[IMPU 2006. Paris (FR), 02.07.2006-07.07.2006]
R&D Projects: GA ČR GA201/04/0393
Institutional research plan: CEZ:AV0Z10750506
Keywords : learning Bayesian networks * standard imset * data vector
Subject RIV: BA - General Mathematics

Basic idea is that every Bayesian network (BN) model is uniquely described by a certain integral vector, named standard imset. Every score-equivalent decomposable criterion appreas to be an affine function of the standard imset. Albegraic view can be extended to databases: every databases can be represented in form of a data vector (relative to the criterion), which is the vector of same dimension as the standard imset.

Základní myšlenka je že každý model daný Bayesovskou sítí je popsán určitým celočíselným vektorem, nazývaným standardní imset. Každé skore-ekvivalentní rozložitelné kriterium se ukazuje být afinní funkcí standardního imsetu. Algebraický pohled může být rozšířen na databáze: každá databáze může být reprezentována ve formě datového vektoru (vzhledem ke kriteriu) což je vektor stejné dimense jako standardní imset.
Permanent Link: http://hdl.handle.net/11104/0133928