Реляционная сеть зависимостей
| Разработчик(и) | СТАРЛИНГ Лаборатория |
|---|---|
| Первоначальный выпуск | 29 декабря 2016 г. |
| Стабильная версия | 1.1.1
/ 1 августа 2019 г. |
| Репозиторий | github |
| Написано в | Ява |
| Платформа | Linux , MacOS , Windows |
| Тип | Машинное обучение , Сеть реляционных зависимостей |
| Лицензия | Лицензионная лицензия 3.0 |
| Веб-сайт | скворец |
Сети реляционных зависимостей (RDN) — это графические модели , которые расширяют сети зависимостей для учета реляционных данных. Реляционные данные — это данные, организованные в одну или несколько таблиц, которые перекрестно связаны стандартными полями. — Реляционная база данных это канонический пример системы, которая служит для хранения реляционных данных. Сеть реляционных зависимостей может использоваться для характеристики знаний, содержащихся в базе данных.
Введение
[ редактировать ]Сети реляционных зависимостей (или RDN) направлены на получение совместного распределения вероятностей по переменным набора данных, представленного в реляционной области. Они основаны на сетях зависимостей (или DN) и расширяют их до реляционных настроек. RDN имеют эффективные методы обучения, при которых RDN может изучать параметры независимо, при этом условные распределения вероятностей оцениваются отдельно. Поскольку из-за независимого метода обучения могут возникнуть некоторые несоответствия, RDN используют выборку Гиббса для восстановления совместного распределения, как и DN.
В отличие от сетей зависимостей, RDN необходимы три графа для полного представления .
- Граф данных: узлы этого графа представляют объекты из набора данных, а ребра представляют зависимости между этими объектами. Каждый объект и ребро получают тип, и каждый объект имеет набор атрибутов.
- Граф модели: граф более высокого порядка, представляющий типы. Узлы этого графа представляют атрибуты данного типа, а ребра представляют зависимости между атрибутами. Зависимости могут быть между атрибутами одного и того же типа или разных типов.
- Каждый узел связан с распределением вероятностей, обусловленным его родительскими узлами. Граф модели не делает никаких предположений о наборе данных, что делает его достаточно общим для поддержки различных данных, представленных графом данных. Таким образом, можно использовать заданный набор данных для изучения структуры графа модели и распределений условных вероятностей, а затем генерировать график вывода из графа модели, примененного к графу данных, представляющему другой набор данных.
- График вывода: график, созданный на основе графа данных и графа модели в процессе, известном как «развертывание». Графы вывода обычно больше, чем графы данных и графы модели, поскольку каждый отдельный атрибут любого отдельного объекта является экземпляром на графе вывода, характеристики которого соответствуют атрибуту, полученному из графа модели.
Другими словами, граф данных определяет, как будет развернут граф модели для создания графа вывода.
РДН обучение
[ редактировать ]Методы обучения RDN аналогичны тем, которые используются в DN. т. е. все условные распределения вероятностей можно узнать для каждой из переменных независимо. Однако в процессе оценки параметров для RDN можно использовать только условные реляционные обучающиеся. Следовательно, учащиеся, используемые DN, такие как деревья решений или логистическая регрессия , не работают для RDN.
Невилл Дж. и Дженсен Д. (2007) [ 1 ] провел несколько экспериментов, сравнивая RDN при обучении с помощью реляционных байесовских классификаторов и RDN при обучении с помощью реляционных деревьев вероятностей. Натараджан и др. (2012) [ 2 ] использовал серию регрессионных моделей для представления условных распределений.
Этот метод обучения делает RDN моделью с эффективным временем обучения. Однако этот метод также делает RDN уязвимыми к некоторым структурным или численным несоответствиям. Если метод оценки условного распределения вероятностей использует выбор признаков, то возможно, что данная переменная обнаружит зависимость между собой и другой переменной, в то время как последняя не обнаружит этой зависимости. В этом случае РДН структурно противоречив. Кроме того, если сумма совместного распределения не равна единице из-за аппроксимации, вызванной независимым обучением, то это называется числовой несогласованностью. Однако такие несоответствия можно обойти на этапе вывода.
Вывод РДН
[ редактировать ]Вывод RDN начинается с создания графа вывода посредством процесса, называемого развертыванием. В этом процессе граф модели развертывается по графу данных, чтобы сформировать граф вывода. Далее выборки Гиббса можно использовать метод для восстановления условного распределения вероятностей.
Приложения
[ редактировать ]RDN применяются во многих реальных областях. Основными преимуществами RDN являются их способность использовать информацию о взаимосвязях для повышения производительности модели. Диагностика, прогнозирование, автоматизированное зрение, объединение датчиков и контроль производства — вот некоторые примеры проблем, в которых применялись RDN.
Реализации
[ редактировать ]Некоторые предложения по реализации RDN:
- БустСРЛ: [ 3 ] Система, специализирующаяся на обучении подходу повышения на основе градиента для различных типов моделей статистического реляционного обучения, включая сети реляционных зависимостей. Более подробную информацию и обозначения см. в Natarajan et al. (2011). [ 2 ]
Ссылки
[ редактировать ]- ^ Невилл, Дженнифер; Дженсен, Дэвид (2007). «Сети реляционных зависимостей» (PDF) . Журнал исследований машинного обучения . 8 : 653–692 . Проверено 9 февраля 2020 г. .
- ^ Jump up to: а б Натараджан, Шрираам; Хот, Тушар; Керстинг, Кристиан; Гутманн, Бернд; Шавлик, Джуд (10 мая 2011 г.). «Градиентное повышение для статистического реляционного обучения: случай сети реляционных зависимостей» (PDF) . Машинное обучение . 86 (1): 25–56. дои : 10.1007/s10994-011-5244-9 . Проверено 9 февраля 2020 г. .
- ^ Лаборатория, StARLinG. «BoostSRL Wiki» . СТАРЛИНГ . Проверено 9 февраля 2020 г. .