Aprendizaje de independencias específicas del contexto en Markov random fields

Los modelos no dirigidos o Markov random fields son ampliamente utilizados para problemas que aprenden una distribución desconocida desde un conjunto de datos. Esto es porque permiten representar una distribución eficientemente al hacer explícitas las independencias condicionales que pueden existir...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Edera, Alejandro, Bromberg, Facundo
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2011
Materias:
Ciencias Informáticas
Markov processes
Markov random fields; context-specific independence; ising model
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/18575
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-18575
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Markov processes
Markov random fields; context-specific independence; ising model
spellingShingle Ciencias Informáticas
Markov processes
Markov random fields; context-specific independence; ising model
Edera, Alejandro
Bromberg, Facundo
Aprendizaje de independencias específicas del contexto en Markov random fields
topic_facet Ciencias Informáticas
Markov processes
Markov random fields; context-specific independence; ising model
description Los modelos no dirigidos o Markov random fields son ampliamente utilizados para problemas que aprenden una distribución desconocida desde un conjunto de datos. Esto es porque permiten representar una distribución eficientemente al hacer explícitas las independencias condicionales que pueden existir entre sus variables. Además de estas independencias es posible representar otras, las Independencias Específicas del Contexto (CSIs) que a diferencia de las anteriores sólo son válidas bajo ciertos valores que pueden tomar subconjuntos de sus variables. Debido a esto son complicadas de representar y aprenderlas desde datos. En este trabajo presentamos un enfoque para representar CSIs en modelos no dirigidos y un algoritmo que las aprende desde datos utilizando tests estadísticos. Mostramos resultados donde los modelos aprendidos por nuestro algoritmo resultan ser mejores o comparables a modelos aprendidos por otros sin utilizar CSIs.
format Objeto de conferencia
Objeto de conferencia
author Edera, Alejandro
Bromberg, Facundo
author_facet Edera, Alejandro
Bromberg, Facundo
author_sort Edera, Alejandro
title Aprendizaje de independencias específicas del contexto en Markov random fields
title_short Aprendizaje de independencias específicas del contexto en Markov random fields
title_full Aprendizaje de independencias específicas del contexto en Markov random fields
title_fullStr Aprendizaje de independencias específicas del contexto en Markov random fields
title_full_unstemmed Aprendizaje de independencias específicas del contexto en Markov random fields
title_sort aprendizaje de independencias específicas del contexto en markov random fields
publishDate 2011
url http://sedici.unlp.edu.ar/handle/10915/18575
work_keys_str_mv AT ederaalejandro aprendizajedeindependenciasespecificasdelcontextoenmarkovrandomfields
AT brombergfacundo aprendizajedeindependenciasespecificasdelcontextoenmarkovrandomfields
bdutipo_str Repositorios
_version_ 1764820463077294081

Ejemplares similares