Tractability of most probable explanations in multidimensional Bayesian network classifiers

در این مقاله، ما نشان می دهیم که چگونه اطلاعات در مورد رایج ترین پرسش ها از طبقه بندی های چند بعدی شبکه بیس، بر پیچیدگی این مدل تاثیر می گذارد. ما مرزهای بالایی را برای پیچیدگی بیشتر توضیحات احتمالی و حاشیه های متغیرهای کلاس فراهم می کنیم که به الگویی از همه متغیرهای ویژگی بستگی دارد. ما از این محدودیت ها برای پیشنهاد استراتژی کارآمد برای محدود کردن پیچیدگی طبقه بندی های چندجمله ای شبکه در طول فرآیند یادگیری استفاده می کنیم و یک روش یادگیری ساده با جستجوی مبتنی بر نظم ارائه می دهیم که تضمین کننده قابلیت اطمینان مدل های بازگشت است. نتایج تجربی نشان می دهد که رویکرد ما رقابتی با سایر روش ها در حالت هنر است و همچنین قابلیت اطمینان مدل های آموخته را تضمین می کند.