İlişkisel veri ayrıştırılmasında model seçimi

İlişkisel veri ayrıştırılmasında üretken modeller ilkeli bir yaklaşım sunar, ve ayrıştırma görevini Bayesçi istatistiğin olasılıksal çerçevesi içinde genişletmeye izin verir. Bu modellerin en bilinen örneği, ilişkisel veri üzerinde tanımlı bir Bernoulli karışım modeli olan raslantısal öbek modelidir. Bu çalışmada, karışık üyelikli raslantısal öbek modelinin (MMSB) üretken sürecini Bayesçi atama modelinin (BAM) genel atama çerçevesinde yeniden oluşturan BAM-MMSB modelini öneriyoruz. Geleneksel öbek modellerin aksine, BAM-MMSB gözlemleri temel bir Poisson süreci tarafından üretilen ve MMSB'nin üreteç modeline göre işaretlenmiş Poisson sayımları olarak kabul eder. İlişkisel verileri ayrıştırmak için kayda değer miktarda algoritma önerilmiştir. Ancak, bu modeller için model seçimi hala açık bir problemdir. Çalışmanın devamında, her model boyutu için marjinal olabilirliğin varyasyonel yaklaşımlarını hesaplayarak, BAM-MMSB modelinde eniyi topluluk sayısını tahmin ediyoruz. Çalışmamızda sadece model boyutu seçimi görevini yerine getirmemize rağmen, BAM'ın genel atama perspektifinin yalnızca model boyutunu değil aynı zamanda en iyi ayrıştırma modelini seçtiğimiz genelleştirilmiş bir model seçimi çözümü vaat ettiğine inanıyoruz. Çalışmada önce önerilen modeli açıklıyoruz ve çıkarım algoritmalarını türetiyoruz. Daha sonra, ilişkisel verileri atama modelinde Poisson sayıları olarak temsil ettiğimiz deneysel kurumu anlatıyoruz. Son olarak, model çıktısının yorumlanabilirliği ve model seçimi performansı açısından algoritmamızı, sentetik ve gerçek dünya veri kümeleri üzerinde yapılan deneylerle değerlendiriyoruz.