データがモデルに従わなくても漸近一致性を持つ高精度ベイジアンネットワーク分類器

抄録

分類は, 機械学習分野における中心的問題であり, 分類器を用いて行う. 分類精度の高い最も有力な分類器の一つとしてベイジアンネットワークを用いた分類器(BNC)が知られている. 近年の研究において, ベイジアンネットワーク分類器の一つである目的変数が親変数を持たず, 説明変数が必ず目的変数の子となるAugmented Naive Bayes (ANB) 構造を制約とする周辺尤度を用いたBNCの厳密学習が提案されている. この手法は, 他のBNCに比べて高い分類精度を持つことが示されている. ただ, この手法は真のモデルがBNに従わない場合, 真の分類確率に収束する保証がない. さらに, 分類に影響する目的変数パラメータ数(NCP)が最小になる保証もない. そこで本研究では, 真のモデルがBNに従うか否かによらず, NCPを最小化して真の分類確率に漸近収束する構造の学習手法を提案する. 提案手法は, 周辺尤度を用いた厳密学習よりも高精度に分類確率を推定できる. ベンチマークデータによる比較実験により提案手法は従来手法よりも高精度かつ高速な構造学習を実現できることを示す.