محققان در مقالهای جدید، روشی نوآورانه برای حل مشکل «مارکوف بلنکت» (Markov Blanket) ارائه کردهاند. در یادگیری ماشین و گرافهای احتمالی، بسیاری از مدلها با فرض «وفاداری» (Faithfulness) کار میکنند که گاهی در برابر روابط پیچیده (مثل روابط XOR) دچار خطا میشود.
الگوریتم جدید kOMB با استفاده از یک رویکرد «k-order relaxation»، اجازه میدهد مدلها روابط پیچیده بین متغیرها را بهتر درک کرده و حتی با دادههای محدود، ساختار واقعیتری را یاد بگیرند. این دستاورد برای کسانی که در حوزه یادگیری ساختار شبکههای بیزی و کشف علیت (Causal Discovery) فعالیت میکنند، بسیار کاربردی است.
🔗 لینک کد پروژه در گیتهاب:
https://github.com/lklee9/k-order-Markov-blanket
منبع: arXiv AI