安娜·M·马丁内斯。;杰弗里·韦伯。;陈胜雷;Nayyar A.扎伊迪。 贝叶斯网络分类器的可扩展学习。 （英语） Zbl 1360.68694号 J.马赫。学习。物件。 17，第44号论文，35页（2016年）. 摘要：数据量的不断增加使得对具有良好分类性能的高度可伸缩学习器的需求变得越来越迫切。因此，一个具有出色的时间和空间复杂性以及高表达能力（即学习非常复杂的多元概率分布的能力）的核心外学习者是非常理想的。本文介绍了这样一个学习者。我们提出了对依赖于k的贝叶斯分类器（KDB）的一个扩展，它可以区分地选择完整KDB分类器的子模型。它只需要通过一次额外的训练数据，使其成为三次通过的学习者。我们对16个大数据集进行了广泛的实验评估，结果表明，与最先进的核心学习者（如随机森林、线性和非线性逻辑回归）相比，这种核心外算法实现了具有竞争力的分类性能，并且训练和分类时间大大缩短。 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 2015年1月62日 贝叶斯推断 62H30型 分类和区分；聚类分析（统计方面） 关键词：贝叶斯分类;特征选择;非核心学习;大数据 软件：阿达格拉德;威卡;COFFIN公司;UCI-毫升 PDF格式BibTeX公司 XML格式引用 \textit{A.M.Martínez}等人，J.Mach。学习。第17号决议，第44号论文，35页（2016年；Zbl 1360.68694） 全文： 链接