埃兰·西格尔;佩尔、达纳;阿维夫·雷格夫;达芙妮·科勒;弗里德曼，尼尔 学习模块网络。 （英语） Zbl 1222.68301号 J.马赫。学习。物件。 6, 557-588 (2005). 学习贝叶斯网络的方法可以发现观测变量之间的依赖结构。尽管这些方法在许多应用中都很有用，但在涉及大量变量的领域中，它们会遇到计算和统计问题。在本文中，我们考虑一种适用于许多变量具有类似行为的解决方案。我们引入了一类新的模型，模块网络，它明确地将变量划分为模块，使得每个模块中的变量在网络中共享相同的父节点和相同的条件概率分布。我们定义了模块网络的语义，并描述了一种从数据中学习模块组成及其依赖结构的算法。对基因表达和股票市场领域的实际数据的评估表明，模块网络比贝叶斯网络具有更好的泛化能力，并且学习的模块网络结构揭示了学习贝叶斯网中模糊的规律。 引用于三文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 PDF格式BibTeX公司 XML格式引用 \textit{E.Segal}等人，J.Mach。学习。第6557-588号决议（2005年；Zbl 1222.68301） 全文： arXiv公司 链接