• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Search-based learning of latent tree models.
【24h】

Search-based learning of latent tree models.

机译：基于搜索的潜在树模型学习。

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

A latent variable model is a statistical model that relates a set of observed variables (aka manifest variables) to a set of unobserved variables (aka latent variables). Examples of latent variable models include hidden Markov models (HMMs), latent class models, factor models, and so on. In this thesis we study a class of latent variable models known as latent tree (LT) models. LT models are tree-structured Bayesian networks where the leaf nodes represent manifest variables while internal nodes represent latent variables. We investigate the automatic induction of LT models from data, and the use of LT models in cluster analysis of categorical data.;Several search-based algorithms for learning LT models have been developed. However there are important issues that remain poorly understood. In this thesis we study three such issues, namely operation granularity, efficient model evaluation and range of model adjustment. The investigation sheds new light on search-based learning of LT models and leads to a new algorithm that is conceptually simpler and more efficient than the state-of-the-art and yet finds better models.;LT models can be used for latent structure discovery, density estimation and cluster analysis. In this thesis we address an issue that is critical to the application of LT models to cluster analysis, namely model interpretation, and we demonstrate using empirical results that LT analysis can discover interesting regularities from data that no other methods can.
机译：潜在变量模型是一种统计模型，它会将一组观察到的变量（又称清单变量）与一组未观察到的变量（又称潜变量）相关联。潜在变量模型的示例包括隐马尔可夫模型（HMM），潜在类模型，因子模型等。在本文中，我们研究了一类潜在变量模型，称为潜在树（LT）模型。 LT模型是树形结构的贝叶斯网络，其中叶节点代表清单变量，而内部节点代表潜在变量。我们研究了基于数据的LT模型的自动归纳，以及LT模型在分类数据的聚类分析中的应用。；已经开发了几种基于搜索的学习LT模型的算法。但是，仍然存在一些重要问题，人们对此知之甚少。本文研究了三个问题，即操作粒度，有效模型评估和模型调整范围。这项研究为LT模型的基于搜索的学习提供了新的思路，并导致了一种新算法，该算法在概念上比最新技术更简单，更有效，但却找到了更好的模型; LT模型可用于潜在结构发现，密度估计和聚类分析。在本文中，我们解决了一个对将LT模型应用于聚类分析至关重要的问题，即模型解释，并且我们使用经验结果证明了LT分析可以从其他方法无法发现的数据中发现有趣的规律性。

著录项

  • 作者

    Chen, Tao.;

  • 作者单位

    Hong Kong University of Science and Technology (Hong Kong).;

  • 授予单位 Hong Kong University of Science and Technology (Hong Kong).;
  • 学科 Computer Science.
  • 学位 Ph.D.
  • 年度 2009
  • 页码 121 p.
  • 总页数 121
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类 自动化技术、计算机技术;
  • 关键词

  • 入库时间 2022-08-17 11:38:24

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