Learning of Bayesian network structures is a NP-hard nonlinear combinatorial optimisation problem. This problem can be transformed into a linear problem but in exponential dimension using the newly introduced characteristic imsets which are combinatorial representatives. These 0/1-vectors enable us to obtain theoretical results and to use well-known optimisation software for the learning of Bayesian network structures Moreover the conditional implication problem can be formulated with characteristic imsets as a geometric problem for which methods from linear optimisation obtain fast solutions.     «

Learning of Bayesian network structures is a NP-hard nonlinear combinatorial optimisation problem. This problem can be transformed into a linear problem but in exponential dimension using the newly introduced characteristic imsets which are combinatorial representatives. These 0/1-vectors enable us to obtain theoretical results and to use well-known optimisation software for the learning of Bayesian network structures Moreover the conditional implication problem can be formulated with characteri...     »

Das Strukturlernen Bayes'scher Netze ist ein NP-schweres nichtlineares kombinatorisches Optimierungsproblem. Mit Hilfe von kombinatorischen Repräsentanten wie den neu definierten charakteristischen Imsets kann dieses nichtlineare Problem in ein lineares Problem, jedoch mit exponentiell vielen Variablen, transformiert werden. Diese 0/1-Vektoren ermöglichen es uns theoretische Resultate herzuleiten und bekannte Optimierunssoftware zum Strukturlernen zu nutzen. Darüberhinaus lässt sich das Problem der Implikation bedingter Unabhängigkeit mit diesen charakteristischen Imsets geometrisch ausdrücken und ebenfalls mit Methoden der linearen Optimierung schnell lösen.     «

Das Strukturlernen Bayes'scher Netze ist ein NP-schweres nichtlineares kombinatorisches Optimierungsproblem. Mit Hilfe von kombinatorischen Repräsentanten wie den neu definierten charakteristischen Imsets kann dieses nichtlineare Problem in ein lineares Problem, jedoch mit exponentiell vielen Variablen, transformiert werden. Diese 0/1-Vektoren ermöglichen es uns theoretische Resultate herzuleiten und bekannte Optimierunssoftware zum Strukturlernen zu nutzen. Darüberhinaus lässt sich das Problem...     »