• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Fuzzy logic and applications >Imputation of Possibilistic Data for Structural Learning of Directed Acyclic Graphs
【24h】

Imputation of Possibilistic Data for Structural Learning of Directed Acyclic Graphs

机译：有向数据的插补用于有向无环图的结构学习

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

One recent focus of research in graphical models is how to learn them from imperfect data. Most of existing works address the case of missing data. In this paper, we are interested by a more general form of imperfection i.e. related to possibilistic datasets where some attributes are characterized by possibility distributions. We propose a structural learning method of Directed Acyclic Graphs (DAGs), which form the qualitative component of several graphical models, from possibilistic datasets. Experimental results show the efficiency of the proposed method even in the particular case of missing data regarding the state of the art Closure under tuple intersection (CUTS) method.
机译：图形模型研究的最新重点是如何从不完善的数据中学习它们。现有的大多数工作都是针对丢失数据的情况。在本文中，我们对不完整的一种更一般的形式感兴趣，即与可能性数据集有关的可能性，其中某些属性以可能性分布为特征。我们提出了一种有向无环图（DAG）的结构学习方法，该方法从可能的数据集中形成了几种图形模型的定性组成部分。实验结果表明，即使在缺少有关元数据交叉闭包（CUTS）方法的现有技术状态的数据的特殊情况下，该方法的效率也很高。

著录项

  • 来源
    《Fuzzy logic and applications》|2013年|68-76|共9页
  • 会议地点 Genoa(IT)
  • 作者

    Maroua Haddad; Nahla Ben Amor; Philippe Leray;

  • 作者单位

    LARODEC Laboratory ISG. University of Tunis Tunisia, 2000;

    LARODEC Laboratory ISG. University of Tunis Tunisia, 2000;

    LINA Laboratory UMR 6241, PolytechNantes, Prance;

  • 会议组织
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号