Bayesian Committee Machine: differenze tra le versioni

Versione delle 11:25, 31 ago 2025

Versione delle 08:26, 1 set 2025

Riga 1:

{{S}}

Nell'ambito dell'[[apprendimento automatico]], una '''Bayesian Committee Machine''' (BCM) è un metodo, ideato da Volker Tresp, per combinare modelli di predizione addestrati su insiemi diversi di dati <ref>{{Cita pubblicazione|nome=Volker|cognome=Tresp|anno=2000|titolo=A Bayesian Committee Machine|rivista=Neural Computation|volume=12|numero=11|pp=2719–2741|doi=10.1162/089976600300014908|url=https://doi.org/10.1162/089976600300014908}}</ref>.

Sebbene una BCM possa essere applicata alla combinazione di qualsiasi tipo di stimatore, originariamente l'attenzione è stata rivolta principalmente alla [[regressione]] tramite modelli su funzioni di base prefissate, [[Processo gaussiano|processi gaussiani]] ma è possibile l'estensione per comprendere altri modelli correlati, come le [[reti di regolarizzazione]] e le [[Funzione spline|spline]] di smoothing, per i quali i [[Grado di libertà (statistica)|gradi di libertà]] aumentano con il numero di dati di addestramento. È stato dimostrato come le prestazioni migliorino quando la BCM lavora contemporaneamente su diversi punti di test e sono ottimali se il numero di tali punti è almeno pari ai gradi di libertà dello stimatore. La BCM costituisce una soluzione per l'[[apprendimento online]] con potenziali applicazioni al [[data mining]]. Le idee alla base del metodo possono essere applicate al fine di estendere la combinazione di modelli anche in un contesto non bayesiano. Sono state proposte estensioni della BCM per grandi dataset, come la ''Generalized'' BCM <ref>{{Cita pubblicazione|nome=Volker|cognome=Tresp|anno=2000|titolo=The generalized Bayesian committee machine|rivista=Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining|editore=Association for Computing Machinery|pp=130–139|doi=10.1145/347090.347118|url=https://dl.acm.org/doi/10.1145/347090.347118}}</ref> e la ''Sparse'' BCM <ref>{{Cita pubblicazione|nome=Soohaeng Yoo|cognome=Willow|nome2=Seungwon|cognome2=Kim|nome3=D. ChangMo|cognome3=Yang|anno=2025|titolo=A sparse Bayesian Committee Machine potential for oxygen-containing organic compounds|rivista=Chemical Physics Reviews|volume=6|numero=2|lingua=en|doi=10.1063/5.0261943|url=https://pubs.aip.org/cpr/article/6/2/021401/3344282/A-sparse-Bayesian-Committee-Machine-potential-for}}</ref>.

Riga 11 ⟶ 12:

==Collegamenti esterni==

* {{Cita web|data=2025-08-07|titolo=jopago/GPyBCM|accesso=2025-08-31|url=https://github.com/jopago/GPyBCM}}: libreria Python per BCM<br />

{{apprendimento automatico}}

[[Categoria: apprendimentoApprendimento automatico]]