基于不完全数据的TAN学习算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (36): 181-184.

基于不完全数据的TAN学习算法

王建林¹,王志海²,王学玲¹

1.滨州学院计算机科学与技术系，山东滨州 256600
2.北京交通大学计算机与信息技术学院，北京 100044

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-21 发布日期:2007-12-21
通讯作者: 王建林

Learning TAN from incomplete data

WANG Jian-lin¹,WANG Zhi-hai²,WANG Xue-ling¹

1.Department of Computer Science，Binzhou University，Binzhou，Shandong 256600，China
2.School of Computer and Information Technology，Beijing Jiaotong University，Beijing 100044，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-21 Published:2007-12-21
Contact: WANG Jian-lin

摘要/Abstract

摘要： TAN算法是一种针对复杂数据且在实际中具有极强的学习能力的有效算法，它已被广泛应用于数据挖掘、机器学习和模式识别领域。由于现实世界中的数据大多是不完全数据，研究了怎样使TAN有效地从不完全数据中学习。首先，用一种有效的方法直接从不完全数据中估计条件互信息，然后应用估计条件互信息法去扩展基本的TAN算法来处理不相关数据，最后实验比较了扩展的TAN算法和基本的TAN算法。实验结果表明，在大多数不完全数据集合上扩展的TAN算法精确性明显高于基本的TAN算法。虽然扩展的TAN算法时间复杂度高于基本的TAN算法，但在可接受范围之内。此估计条件互信息的方法能够容易地和其它技术相结合来进一步提高TAN算法的性能。

关键词: TAN, 学习, 不完全数据, 条件互信息

Abstract: TAN is a good trade-off between the model complexity and learn ability in practice，which has been widely used in data mining，machine learning and pattern recognition etc.Since there are few complete datasets in real-world，the paper develops research on how to efficiently learn TAN from incomplete data.Firstly an efficient method that could estimate conditional Mutual Information directly from incomplete data is presented.And then the basic TAN learning algorithm is extended to incomplete data using the conditional Mutual Information estimation method.Finally，experiments are carried out to evaluate the extended TAN and compare it with basic TAN.The experimental results show that the accuracy of the extended TAN is much higher than that of basic TAN on most of the incomplete datasets.Despite more time consumption of the extended TAN compared with basic TAN，it is still acceptable.The conditional Mutual Information estimation method can be easily combined with other techniques to improve TAN further.

Key words: TAN, learning, incomplete data, conditional mutual information

王建林¹,王志海²,王学玲¹. 基于不完全数据的TAN学习算法[J]. 计算机工程与应用, 2007, 43(36): 181-184.

WANG Jian-lin¹,WANG Zhi-hai²,WANG Xue-ling¹

. Learning TAN from incomplete data[J]. Computer Engineering and Applications, 2007, 43(36): 181-184.

[1]	桑江徽，姜海燕. 基于联合分布的多标记迁移学习[J]. 计算机工程与应用, 2021, 57(9): 154-161.
[2]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[3]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[4]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[5]	徐承志，万方. 两级邻域采样的孪生网络在流形学习中的应用[J]. 计算机工程与应用, 2021, 57(9): 233-239.
[6]	吴文龙，周喜，王轶，王保全. WKAG：一种针对不平衡医保数据的欺诈检测方法[J]. 计算机工程与应用, 2021, 57(9): 247-254.
[7]	武文杰，宋文爱，高雪梅，杨吉江，王青，黄丽萍，雷毅. 基于X线的成人OSA计算机辅助诊断综述[J]. 计算机工程与应用, 2021, 57(9): 1-8.
[8]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[9]	贾香恩，董一鸿，朱锋，钱江波. 异构图卷积网络研究进展[J]. 计算机工程与应用, 2021, 57(9): 36-49.
[10]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.
[11]	闫晓燊，高强，朱思萌，奚学程，赵万生. 亮度不均匀低质量图像中压印字符分割方法[J]. 计算机工程与应用, 2021, 57(8): 185-191.
[12]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[13]	曾春艳，严康，王志锋，余琰，纪纯妹. 深度学习模型可解释性研究综述[J]. 计算机工程与应用, 2021, 57(8): 1-9.
[14]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[15]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.