@techreport{oai:ipsj.ixsq.nii.ac.jp:00058896,
 author = {Eric, Perrier and 井元, 清哉 and 宮野, 悟 and Eric, Perrier and Seiya, Imoto and Satoru, Miyano},
 issue = {15(2008-BIO-012)},
 month = {Mar},
 note = {データに基づくベイジアンネットワークの構造学習において精度向上は，遺伝子ネットワークのような巨大システムをモデル化する際に極めて重要となる．この目的のため，我々は，スコア関数に基づく探索に無向グラフによるsuper-structure を制約として用いる方法を提案する．つまり，探索する枝はsuper-structure に含まれているものに限る．さらに，データを用いた super-structure の近似法を導入し，制約付き最適アルゴリズム(COS) を構成する．COS により，最適アルゴリズムはより大きなネットワークに適用可能となる．また，トポロジカル順序に基づく発見的アルゴリズム (PERM) を導出できる．数値実験により，提案するアルゴリズムは，他の方法よりも精度の面で優れていることを示した．, Improving the accuracy of Bayesian network learning from data is a decisive challenge to model huge systems such as genes networks. With this end, we propose to constraint the scoring function based algorithms with a super-structure encoded by an undirected graph. This restricts the possible edges of the networks to the ones it contains. Further, we introduce a basic method to approximate a super-structure from data. Then, we develop a constrained optimal search (COS) that extends exact algorithms to sensitively bigger graphs, and a heuristic hill climbing over topological orderings (PERM). Experimentally, these algorithms outperform significantly other approaches.},
 title = {Super-Structure : A Decisive Framework to Rationalize and Improve Both Optimal and Heuristic Bayesian Network Structure Learning Algorithms},
 year = {2008}
}