Context-Specific Refinements of Bayesian Network Classifiers

要約

教師あり分類は、機械学習において最も広く普及しているタスクの 1 つです。
ベイジアン ネットワークに基づく生成分類器は、その解釈可能性と競合する精度のため、よく使用されます。
広く使用されているナイーブ分類器と TAN 分類器は、制約された基礎となるグラフを持つベイジアン ネットワーク分類器の特定のインスタンスです。
この論文では、TAN および他の有名なタイプのベイジアン ネットワーク分類器を拡張した生成分類器の新しいクラスを紹介します。
私たちのアプローチは段階的なツリー モデルに基づいており、複雑でコンテキスト固有の依存パターンを可能にすることでベイジアン ネットワークを拡張します。
私たちは、分類器の新しいクラスとベイジアン ネットワークの間の関係を正式に研究します。
私たちはモデルにデータ駆動型の学習ルーチンを導入して実装し、大規模な計算研究でその精度を調査します。
この研究は、非対称情報を埋め込んだモデルが分類精度を向上させることができることを実証しています。

要約(オリジナル)

Supervised classification is one of the most ubiquitous tasks in machine learning. Generative classifiers based on Bayesian networks are often used because of their interpretability and competitive accuracy. The widely used naive and TAN classifiers are specific instances of Bayesian network classifiers with a constrained underlying graph. This paper introduces novel classes of generative classifiers extending TAN and other famous types of Bayesian network classifiers. Our approach is based on staged tree models, which extend Bayesian networks by allowing for complex, context-specific patterns of dependence. We formally study the relationship between our novel classes of classifiers and Bayesian networks. We introduce and implement data-driven learning routines for our models and investigate their accuracy in an extensive computational study. The study demonstrates that models embedding asymmetric information can enhance classification accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google