Tchoumatchenko，I。;Ganascia，J.-G。 混合建模，将有意义的约束纳入学习。 （英语） Zbl 0886.62013.中 Hanson，Kenneth M.（编辑）等人，《最大熵和贝叶斯方法》。第15届国际研讨会论文集，1995年7月31日至8月4日，美国新墨西哥州圣达菲。多德雷赫特：Kluwer学术出版社。芬丹。西奥。物理学。79, 85-92 (1996). 摘要：本文解决了将先验知识纳入学习算法的问题。符号机器学习和神经网络社区都详细阐述了处理这个难题的各种手工方法。然而，还没有出现相当通用的方法。本文的贡献是双重的。首先，我们提出了领域知识合并的贝叶斯观点。在我们的框架中，建议学习算法的设计者根据参与给定类型学习的参数和模型的混合分布来表示可用的先验知识。然后，将已知的贝叶斯学习机制投入使用。其次，我们应用我们的框架从神经网络中提取逻辑规则，完成了一个详细的案例研究。我们对蛋白质二级结构预测这一难题进行了计算实验分析。此外，针对这个问题，我们提出了训练数据的Dirichlet混合建模。关于整个系列，请参见[Zbl 0855.00029号]。 MSC公司： 62B10型 信息理论主题的统计方面 2015年1月62日 贝叶斯推断 关键词：贝叶斯学习;知识合并;高斯混合;Dirichlet混合物;蛋白质二级结构预测 PDF格式BibTeX公司 XML格式引用 \textit{I.Tchoumatchenko}和\textit{J.G.Ganascia}，Fundam。西奥。物理学。79、85-92（1996年；Zbl 0886.62013）