迪亚迈德·科纳蒂;马丁内斯·德尔·林孔（Jesús Martínez del Rincon）;凯西奥·德·坎波斯。 使用鲁棒性的sum-product网络层次结构。 （英文） 兹比尔1471.62388 国际J近似推理 113, 245-255 (2019). 概要：和积网络是一个流行的概率图形模型家族，已经证明在多个任务中可以实现最先进的性能。当从稀缺数据中学习sum-product网络时，所获得的模型可能容易出现鲁棒性问题，并且参数的微小变化可能导致不同的结论。我们讨论了sum-product网络作为分类器的特性，并研究了它们对参数的鲁棒性。使用稳健性度量来识别（可能）不可靠的决策，我们构建了一种分层方法，其中，如果结果被认为不可靠，则测试时的分类任务将推迟到另一个模型。我们将此方法应用于47个数据集的基准分类任务。实验表明，鲁棒性度量是构建分类器动态集成的一种有意义的方法，我们的层次和积网络保证了准确性的提高。 MSC公司： 62H22个 概率图形模型 62H30型 分类和区分；聚类分析（统计方面） 62G35型 非参数稳健性 关键词：sum-product网络;敏感性分析;稳健性;分类 软件：阿达·布斯特。MH公司 PDF格式BibTeX公司 XML格式引用 \textit{D.Conaty}等人，国际期刊近似推理113，245--255（2019；Zbl 1471.62388） 全文： 内政部 链接 参考文献： [1] 阿德尔，T。；巴尔杜齐，D。；Ghodsi，A.，通过基于SVD的算法学习总和网络的结构，（第三十一届人工智能不确定性会议论文集（2015）） [2] Breiman，L.，装袋预测，马赫数。学习。，24, 2, 123-140 (1996) ·Zbl 0858.68080号 [3] Breiman，L.，《随机森林》，马赫。学习。，45, 1, 5-32 (2001) ·Zbl 1007.68152号 [4] 布茨，C.J。；Oliveira，J.S。；多斯桑托斯，A.E。；Teixera，A.L.，深度卷积和生产网络（第三十三届AAAI人工智能会议（2019年）） [5] 布茨，C.J。；Oliveira，J.S。；多斯桑托斯，A.E。；特谢拉，A.L。；Poupart，P。；Kalra，A.，《spn学习和推理方法的实证研究》，（Kratochvíl，V.；Studen，M.，《第九届概率图形模型国际会议论文集》，《第八届概率图形模型国际会议论文录》，《机器论文集》第72卷（2018），《学习研究》，PMLR：学习研究，PMLR布拉格，捷克共和国），URL [6] 科纳蒂，D。；Mauá，D.D。；de Campos，C.P.，总和网络中最大后验推理的近似复杂性，（第三十三届人工智能不确定性会议论文集（2017）） [7] Darwiche，A.，《贝叶斯网络中推理的微分方法》，J.ACM，50，3，280-305（2003）·Zbl 1325.68226号 [8] Darwiche，A.，《贝叶斯网络建模与推理》（2009），剑桥大学出版社·Zbl 1231.68003号 [9] de Bock，J。；Antonucci，A。；de Campos，C.P.，图形模型中MAP推理的全局灵敏度分析，（神经信息处理系统（2014）） [10] 丹尼斯。；Ventura，D.，《使用变量聚类学习sum-product网络的架构》（Pereira，F.；Burges，C.J.C.；Bottou，L.；Weinberger，K.Q.，《神经信息处理系统的进展》，第25卷（2012），Curran Associates，Inc.），2033-2041 [11] 丹尼斯。；Ventura，D.，sum-product网络贪婪结构搜索，（第24届国际人工智能联合会议（2015）会议记录） [12] 弗伦德，Y。；Schapire，R.E.，《在线学习的决策理论推广及其在助推中的应用》，J.Compute。系统。科学。，55, 1, 119-139 (1997) ·Zbl 0880.68103号 [13] Gens，R。；Domingos，P.，sum-product网络的判别学习，（神经信息处理系统进展，第25卷（2012）） [14] Gens，R。；Domingos，P.，《学习sum-product网络的结构》（第三十届机器学习国际会议论文集（2013）） [15] Hansen，L.K。；Salamon，P.，《神经网络集成》，IEEE Trans。模式分析。机器。智力。，12, 10, 993-1001 (1990) [16] 考夫曼，L。；Rousseuw，P.，通过类药物进行聚类，（基于L1范数和相关方法的统计数据分析（1987）） [17] 科勒，D。；弗里德曼，N.，概率图形模型（2009），麻省理工学院出版社·Zbl 1183.68483号 [18] 李，S.-W。；沃特金斯，C。；Zhang，B.-T.，非参数贝叶斯汇总网络，（ICML学习可追踪概率模型研讨会，第32卷（2014）） [19] Leonard Kaufman，P.J.R.，《集群化大型应用程序（程序CLARA）》，第3章，126-163（2008），John Wiley&Sons，Ltd [20] 列维，I.，《知识的企业》（1980），麻省理工学院出版社：麻省理学院出版社伦敦 [21] Mauá，D.D。；Cozman，F.G。；科纳蒂，D。；de Campos，C.P.，Credal sum-product networks，（第十届不精确概率国际研讨会论文集：理论与应用（2017）） [22] Nath，A。；Domingos，P.，学习故障定位的易处理概率模型，（第三十届AAAI人工智能会议论文集（2016）） [23] 佩哈兹，R。；盖革，B.C。；Pernkopf，F.，sum-product networks的贪婪部分学习，（《数据库中的机器学习和知识发现》，数据库中的计算机学习和知识探索，LNAI，第8189卷（2013）） [24] 佩哈兹，R。；Gens，R。；Domingos，P.，《学习选择性sum-product网络》（ICML学习可追踪概率模型研讨会，第32卷（2014年）） [25] 佩哈兹，R。；Gens，R。；佩恩科普夫，F。；多明戈斯，P.，《关于总和生产网络中潜在变量的解释》，IEEE Trans。模式分析。机器。智力。，1-14 (2016) [26] 佩哈兹，R。；奇亚切克，S。；佩恩科普夫，F。；Domingos，P.，《论sum-product网络的理论属性》（第18届国际人工智能与统计会议论文集（2015）） [27] Poon，H。；Domingos，P.，《Sum-product networks:a new deep architecture》，（第27届人工智能不确定性会议论文集（2011）） [28] 拉赫曼，T。；Gogate，V.，《高产网络的合并策略：从树到图》，（第32届人工智能不确定性会议论文集（2016）） [29] Rathke，F。；Desana，M。；Schnörr，C.，病理性OCT扫描全局分割的局部自适应概率模型，（医学图像计算和计算机辅助干预国际会议论文集（2017）） [30] Rooshenas，A。；Lowd，D.，《学习具有直接和间接变量交互作用的sum-product网络》（第31届机器学习国际会议论文集（2014）） [31] 萨吉，O。；Rokach，L.，合奏学习：调查，Wiley Interdiscip。版本数据最小知识。迪斯科。，第8、4条，第1249页（2018年） [33] 索卡尔·R。；Rohlf，F.，《生物计量学：生物学研究中统计学的原理与实践》（1981），弗里曼·Zbl 0554.62094号 [34] Vergari，A。；Di Mauro，N。；Esposito，F.，简化、规范和加强sum-product网络结构学习（机器学习和数据库知识发现联合欧洲会议论文集（2015）） [35] 赵，H。；Poupart，P。；Fordon，G.，学习总和网络参数的统一方法，（神经信息处理系统进展，第29卷（2016）） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。