講演抄録/キーワード |
講演名 |
2017-11-09 13:00
[ポスター講演]Bayes factorに基づくRAIアルゴリズムを用いた大規模ベイジアンネットワーク学習 ○名取和樹・宇都雅輝・植野真臣(電通大) IBISML2017-58 |
抄録 |
(和) |
漸近一致性を持つベイジアンネットワークの構造学習はNP困難である.これまで,動的計画法や$A^*$探索,整数計画法を用いた構造学習法が開発されてきたが,未だに60ノード程度の構造学習を限界とし,大規模構造学習の実現のためには,全く異なるアプローチの開発が急務である.一方で因果モデルの研究分野では,条件付き独立性テスト(CIテスト)と方向付けによる画期的に計算量を削減した構造学習アプローチが提案されている.このアプローチは制約ベースアプローチと呼ばれ,RAIアルゴリズムが最も高精度な最先端学習法として知られている.しかしRAIアルゴリズムは,CIテストに仮説検定法または条件付き相互情報量を用いている.前者の精度は帰無仮説が正しい確率を表す$p$値とユーザが設定する有意水準に依存する.$p$値はデータ数の増加により小さい値を取り,誤って帰無仮説を棄却してしまう問題が知られている.一方で,後者の精度は閾値の設定に強く影響する.したがって,漸近的に真の構造を学習できる保証がない.本論文では,漸近一致性を有するBayes factorを用いたCIテストをRAIアルゴリズムに組み込む.これにより,1000ノード以上の大規模構造学習を実現する.数種類のベンチマークネットワークを用いたシミュレーション実験により,本手法の有意性を示す. |
(英) |
``Learning Bayesian networks'' has NP-hard problem. The state-of-the-arts method of learning Bayesian networks cannot learn structures that have more than 60 variables. For the reasons, we proposed the method that reduces computational cost dynamically. Concretely, this method provides a conditional independence (CI) test using Bayes factor that has asymptotic consistency to the RAI algorithm. In the experiments, our proposed method can learn the structure that has more than 1000 variables. |
キーワード |
(和) |
ベイジアンネットワーク学習 / Bayes factor / 仮説検定法 / / / / / |
(英) |
Learning Bayesian networks / Bayes factor / Hypothesis testing / / / / / |
文献情報 |
信学技報, vol. 117, no. 293, IBISML2017-58, pp. 177-184, 2017年11月. |
資料番号 |
IBISML2017-58 |
発行日 |
2017-11-02 (IBISML) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
IBISML2017-58 |
研究会情報 |
研究会 |
IBISML |
開催期間 |
2017-11-08 - 2017-11-10 |
開催地(和) |
東京大学 |
開催地(英) |
Univ. of Tokyo |
テーマ(和) |
情報論的学習理論ワークショップ (IBIS2017) |
テーマ(英) |
Information-Based Induction Science Workshop (IBIS2017) |
講演論文情報の詳細 |
申込み研究会 |
IBISML |
会議コード |
2017-11-IBISML |
本文の言語 |
日本語 |
タイトル(和) |
Bayes factorに基づくRAIアルゴリズムを用いた大規模ベイジアンネットワーク学習 |
サブタイトル(和) |
|
タイトル(英) |
Learning huge Bayesian networks using RAI algorithm based on Bayes factor |
サブタイトル(英) |
|
キーワード(1)(和/英) |
ベイジアンネットワーク学習 / Learning Bayesian networks |
キーワード(2)(和/英) |
Bayes factor / Bayes factor |
キーワード(3)(和/英) |
仮説検定法 / Hypothesis testing |
キーワード(4)(和/英) |
/ |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
名取 和樹 / Kazuki Natori / ナトリ カズキ |
第1著者 所属(和/英) |
電気通信大学 (略称: 電通大)
The University of Electro-Communications (略称: UEC) |
第2著者 氏名(和/英/ヨミ) |
宇都 雅輝 / Masaki Uto / ウト マサキ |
第2著者 所属(和/英) |
電気通信大学 (略称: 電通大)
The University of Electro-Communications (略称: UEC) |
第3著者 氏名(和/英/ヨミ) |
植野 真臣 / Maomi Ueno / ウエノ マオミ |
第3著者 所属(和/英) |
電気通信大学 (略称: 電通大)
The University of Electro-Communications (略称: UEC) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2017-11-09 13:00:00 |
発表時間 |
150分 |
申込先研究会 |
IBISML |
資料番号 |
IBISML2017-58 |
巻番号(vol) |
vol.117 |
号番号(no) |
no.293 |
ページ範囲 |
pp.177-184 |
ページ数 |
8 |
発行日 |
2017-11-02 (IBISML) |