Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Distribution-free Learning of Bayesian Network Structure

Sun, X. (2008). Distribution-free Learning of Bayesian Network Structure. In W. Daelemans, B. Goethals, & K. Morik (Eds.), Machine Learning and Knowledge Discovery in Databases: European Conference, ECML PKDD 2008, Antwerp, Belgium, September 15-19, 2008 (pp. 423-439). Berlin, Germany: Springer.

Item is

 

einblenden: alle

Basisdaten

ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-C73B-7 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0003-3837-1
Genre: Konferenzbeitrag

Externe Referenzen

ausblenden:
externe Referenz:
https://link.springer.com/content/pdf/10.1007%2F978-3-540-87481-2_28.pdf (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

ausblenden:
 Urheber:
Sun, X1, 2, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              

Inhalt

ausblenden:
Schlagwörter: -
 Zusammenfassung: We present an independence-based method for learning Bayesian network (BN) structure without making any assumptions on the probability distribution of the domain. This is mainly useful for continuous domains. Even mixed continuous-categorical domains and structures containing vectorial variables can be handled. We address the problem by developing a non-parametric conditional independence test based on the so-called kernel dependence measure, which can be readily used by any existing independence-based BN structure learning algorithm. We demonstrate the structure learning of graphical models in continuous and mixed domains from real-world data without distributional assumptions. We also experimentally show that our test is a good alternative, in particular in case of small sample sizes, compared to existing tests, which can only be used in purely categorical or continuous domains.

Details

ausblenden:
Sprache(n):
 Datum: 2008-09
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: DOI: 10.1007/978-3-540-87481-2_28
BibTex Citekey: 5253
 Art des Abschluß: -

Veranstaltung

ausblenden:
Titel: European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2008)
Veranstaltungsort: Antwerpen, Belgium
Start-/Enddatum: 2008-09-15 - 2008-09-19

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

ausblenden:
Titel: Machine Learning and Knowledge Discovery in Databases: European Conference, ECML PKDD 2008, Antwerp, Belgium, September 15-19, 2008
Genre der Quelle: Konferenzband
 Urheber:
Daelemans, W, Herausgeber
Goethals, B, Herausgeber
Morik, K, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Berlin, Germany : Springer
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 423 - 439 Identifikator: ISBN: 978-3-540-87480-5

Quelle 2

ausblenden:
Titel: Lecture Notes in Computer Science
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 5212 Artikelnummer: - Start- / Endseite: - Identifikator: -