保護中: グラフィカルモデル 概要とベイジアンネットワーク

コメント

1. 確率的生成モデルへの効率的アプローチの為のグラフィカルモデル概要 | Deus Ex Machina より:

   2021年8月5日 5:20 AM

   […] 機械学習プロフェッショナルシリーズ「グラフィカルモデル」より。前回は、その概要とベイジアンネットワークモデルについて述べた。今回はもう一つのモデルであるマルコフ確率場について述べる。 […]

   返信
2. 関係性パータンマッチングによるオントロジー類似性、確率アプローチ | Deus Ex Machina より:

   2021年8月16日 10:53 AM

   […] 確率的マッチング 確率的手法は、オントロジーマッチングにおいて、利用可能なマッチング候補を増やすためなどに汎用的に使用されることがある。本節では、ベイジアンネットワーク、マルコフネットワーク、マルコフロジックネットワークに基づいたいくつかの手法を紹介する。確率的オントロジーマッチングの一般的な枠組みを下図に示す。 […]

   返信
3. 関係性パータンマッチングでのオントロジー類似性、意味的アプローチ | Deus Ex Machina より:

   2021年8月17日 6:20 AM

   […] 前回は類似性を計算する為に、確率モデルであるベイジアンネットワークモデル、マルコフモデル、マルコフロジックネットワークのアプローチについて述べた。今回は意味的アプローチに対して述べる。 […]

   返信
4. グラフデータの次元削減に活用されるグラフデータスパースモデル | Deus Ex Machina より:

   2021年8月29日 8:22 AM

   […] これらの問題を解決するために、グラフィカルモデルを用いる。相関係数の問題は、値が1または-1に近い場合を除いて値が容易にぶれてしまうことにある。無相関というのは理論上はありえても、ノイジーな実データではまずあり得ない。2つの変数の間の関係について「関係がない」ということをもう少し正確に定義する必要がある。「関係がない」ということの統計学的な自然な言い換えは「統計的に独立である」ということになる。他のへんすうもあるので「2つの変数が、他の変数を与えた時に条件付き独立となれば、その2つは無関係である」と定義して、「独立」のかわりに「条件付き独立」とすることで、他の変数を介して間接的に現れた相関を区別することで、上述のような第3の変数の影響を排除する。 […]

   返信
5. 人工知能、機械学習に活用される確率的生成モデルについて | Deus Ex Machina より:

   2021年9月19日 1:05 PM

   […] グラフィカルモデル(1) ベイジアンネットワーク […]

   返信
6. グラフデータを解析するためのアルゴリズムの理論と実装と活用 | Deus Ex Machina より:

   2022年2月23日 5:11 AM

   […] グラフィカルモデル(1) ベイジアンネットワーク […]

   返信
7. 深層学習と確率的生成モデルの進化形であるベイズ深層モデルの概要 | Deus Ex Machina より:

   2022年3月20日 3:38 PM

   […] しかしながら、1990年代は計算コストはまだまだ高く、またグラフィカルモデルにおけるベイズ推論の有用性が見いだれ、ベイズ推論の新しい方向性として「状態空間モデル(state space model […]

   返信
8. ベイズ推論とグラフィカルモデルによる機械学習 | Deus Ex Machina より:

   2022年6月1日 6:21 AM

   […] グラフィカルモデル – ベイジアンネットワーク […]

   返信