用于学习贝叶斯网络结构的商归一化最大似然准则
原文中文,约200字,阅读约需1分钟。发表于: 。本研究针对贝叶斯网络结构学习中的问题,提出了一种新的信息论准则——商归一化最大似然准则(qNML)。与传统的归一化最大似然准则相比,qNML 具有得分等价性,且完全无需可调超参数。实验结果表明,该准则能够生成简约且准确的预测模型,具有显著的应用价值。
本研究提出商归一化最大似然准则(qNML)用于贝叶斯网络结构学习,实验证明qNML能生成简约准确的预测模型,具有应用价值。
本研究针对贝叶斯网络结构学习中的问题,提出了一种新的信息论准则——商归一化最大似然准则(qNML)。与传统的归一化最大似然准则相比,qNML 具有得分等价性,且完全无需可调超参数。实验结果表明,该准则能够生成简约且准确的预测模型,具有显著的应用价值。
本研究提出商归一化最大似然准则(qNML)用于贝叶斯网络结构学习,实验证明qNML能生成简约准确的预测模型,具有应用价值。