User: Guest  Login
Original title:
Constraint-Based Structural Learning in Bayesian Networks using Finite Data Sets 
Year:
2001 
Document type:
Dissertation 
Institution:
Fakultät für Informatik 
Advisor:
Brauer, Wilfried (Prof. Dr. Dr. h.c.); Tresp, Volker (Dr.) 
Referee:
Brauer, Wilfried (Prof. Dr. Dr. h.c.); Lauritzen, Steffen Lilholt (Prof. Dr.) 
Format:
Text 
Language:
en 
Subject group:
DAT Datenverarbeitung, Informatik 
Keywords:
Bayesian networks; graphical models; structural learning; machine learning 
Translated keywords:
Bayessche Netze; Kausale Netze; Graphische Modelle; Strukturlernen; Maschinelles Lernen 
Controlled terms:
Maschinelles Lernen; Neuronales Netz 
TUM classification:
DAT 708d 
Abstract:
Bayesian networks have become a popular probabilistic model for coping with uncertainty. When learning their structure from given data the constraint-based approach has proven to be very efficient in many experiments. However, this approach is only well-understood under certain conditions, typically only when infinite data sets are provided. This thesis focuses on the constraint-based approach for those cases where only a finite amount of data is available, as typical in practical applications....    »
 
Translated abstract:
Während sich der testbasierte Ansatz zum Strukturlernen in Bayes' schen Netzen in der Praxis als sehr effizient erwiesen hat, kann sein Verhalten bisher nur im asymptotischen Grenzfall verstanden werden. Diese Arbeit charakterisiert die Eigenschaften dieser Lernmethode bei endlichen Datenmengen. Darauf aufbauend werden diverse Verbesserungen dieses Ansatzes entwickelt, insbesondere wie die in endlichen Daten vorhandene Unsicherheit bzgl. der gelernten Strukturen ohne merklich längere Rechenzeit...    »
 
Publication :
Universitätsbibliothek der TU München 
Oral examination:
18.05.2001 
File size:
981408 bytes 
Pages:
183 
Last change:
03.07.2007