|
MDL(Miniimum Description Length)原理に基づいてBayesian Networkを構成するアルゴリズムの構築およびその評価を行ない、当初予定していた成果を得た。ここで、MDL原理は事例からそれを生成している規則を学習する際にその事例を最も短く記述できる規則を採択する学習原理である。一方、Bayesian Networkは各ノードで属性を、またそれらを結ぶリンクで属性間の依存関係を表現/推論する不確実な知識のための枠組である。
精度のよいネットワークを少ない計算量で学習する問題は、Bayesian Networkを医療診断・故障診断・経営診断などに応用する研究者・技術者にとって、その解決が急務であった。提案アルゴリズムは、分岐限定法なる手法を用い、最適解が得られることを保証しながら、従来のDP(Dynamic Programming)による全探索と比較して、大幅な計算量の低減がはかられている。Alarm database(ノード数37のあるネットワークから生成された20000事例)を通して評価をしたところ、DPに基づくアルゴリズムではノード数20前後で計算量的に爆発するが、ノード数37のネットワークを実用的な時間内で算出できることがわかった。従来は、最適解を保証しないアルゴリズムも提案されているが、本アルゴリズムでは、Alarm database程度の規模で事例数1000程度であれば、実用的に最適可能である。
成果の詳細は、1995年8月にCanadaのMontrealで開催されるAAAI(American Association for Artificial Intelligence)KDD(Knowledge Discoverty and Data Mining)-95にて発表し、同様のテーマに従事する諸外国の研究者の間でさらに議論される予定である。
|
