The Most Probable Bayesian Network and Beyond

Show simple item record

dc.contributor Helsingin yliopisto, matemaattis-luonnontieteellinen tiedekunta, tietojenkäsittelytieteen laitos fi
dc.contributor Helsingfors universitet, matematisk-naturvetenskapliga fakulteten, institutionen för datavetenskap sv
dc.contributor University of Helsinki, Faculty of Science, Department of Computer Science en
dc.contributor.author Silander, Tomi
dc.date.accessioned 2010-11-25T12:16:28Z
dc.date.available 2010-11-25T12:16:28Z
dc.date.issued 2009-05-30
dc.identifier.uri URN:ISBN:978-952-10-5524-9 fi
dc.identifier.uri http://hdl.handle.net/10138/21364
dc.description.abstract This doctoral dissertation introduces an algorithm for constructing the most probable Bayesian network from data for small domains. The algorithm is used to show that a popular goodness criterion for the Bayesian networks has a severe sensitivity problem. The dissertation then proposes an information theoretic criterion that avoids the problem. en
dc.description.abstract Bayesverkko on havainnollinen verkkokaavio, jossa verkon solmut kuvaavat ongelmakentän asioita ja solmujen väliset kaaret kuvaavat asioiden välisiä tilastollisia yhteyksiä. Bayesverkkojen havainnollisuuden vuoksi niiden automaattinen tuottaminen pelkän kerätyn tietoaineiston pohjalta on mielenkiintoinen tehtävä. Vaan millainen bayesverkko on hyvä kuvaus ongelmakentästä, ja mitä hyvyydellä tarkasti ottaen tarkoitetaan. Yleisimmin käytetty hyvyyden mitta on verkon bayesilainen todennäköisyys; mitä suuremmalta verkon todennäköisyys näyttää kerätyn aineiston perusteella, sitä parempi verkko on. Bayesilaisen todennäköisyyden laskeminen kerätyn aineiston avulla vaatii kuitenkin, että meillä on alustava ajatus eri verkkojen todennäköisyyksistä ja verkossa olevien yhteyksien vahvuuksista jo ennen aineiston käyttämistä todennäköisyyksien laskemiseen. Verkkojen automaattisessa oppimisessa nämä ennakkokäsitykset pyritään usein pitämään mahdollisimman lievinä, jotta itse aineisto saisi vaikuttaa mahdollisimman paljon parhaan verkon valintaan eikä mitään verkkoa suosittaisi etukäteen. Puolueeton asenne yhteyksien vahvuuteen on kuitenkin vaikea käsitteellinen ongelma, ja asian formalisoiminen eksaktisti voidaan tehdä monella eri tavalla. Tässä väitöskirjassa esitetään menetelmä todennäköisimmän verkon löytämiseksi. Menetelmän avulla on voitu osoittaa, että mitättömän pienet erot yhteyksien luonnetta koskevissa ennakkokäsityksissä aiheuttavat muutoksia todennäköisimmän verkon rakenteeseen. Asian korjaamiseksi työssä ehdotetaan uutta tapaa mitata verkkojen hyvyyttä. Uusi tapa perustuu informaatioteoriaan, eikä se vaadi aineistoa edeltävien ennakkokäsitysten määrittelyä. fi
dc.language.iso en
dc.publisher Helsingin yliopisto fi
dc.publisher Helsingfors universitet sv
dc.publisher University of Helsinki en
dc.relation.isformatof URN:ISBN:978-952-10-5523-2 fi
dc.relation.isformatof Helsinki: 2009, Department of Computer Science Series of Publications A. 1238-8645 fi
dc.rights Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty. fi
dc.rights This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited. en
dc.rights Publikationen är skyddad av upphovsrätten. Den får läsas och skrivas ut för personligt bruk. Användning i kommersiellt syfte är förbjuden. sv
dc.subject tietojenkäsittelytiede fi
dc.title The Most Probable Bayesian Network and Beyond en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.type.ontasot Doctoral dissertation (article-based) en
dc.type.ontasot Doktorsavhandling (sammanläggning) sv
dc.ths Myllymäki, Petri
dc.opn Cowell, Robert
dc.type.dcmitype Text

Files in this item

Total number of downloads: Loading...

Files Size Format View
themostp.pdf 381.2Kb PDF View/Open

This item appears in the following Collection(s)

Show simple item record