Key points are not available for this paper at this time.
In diesem Papier wird ein Ansatz des bestraften Bayesianischen Informationskriteriums (pBIC) für die Zustandsbindung von Entscheidungsbäumen beschrieben. Das pBIC wird auf zwei wichtige Anwendungen angewendet. Erstens wird es als Kriterium zum Wachsen von Entscheidungsbäumen anstelle des konventionellen Ansatzes mit einem heuristischen konstanten Schwellenwert verwendet. Es hat sich herausgestellt, dass die ursprüngliche BIC-Strafe zu niedrig ist und nicht zu einem kompakten Modell der Zustandsbindung von Entscheidungsbäumen führen wird. Basierend auf Wolfes Modifikation der asymptotischen Nullverteilung wird abgeleitet, dass eine doppelte BIC-Strafe für die Zustandsbindung von Entscheidungsbäumen, die auf pBIC basiert, verwendet werden sollte. Zweitens wird pBIC als Kriterium zur Modellkompression für die akustische Modellierung der zustandsgebundenen Entscheidungsbäume untersucht. Experimentelle Ergebnisse zu einer großen Wortschatz-Spracherkennungsaufgabe (Wall Street Journal) zeigen, dass ein kompakter Entscheidungsbaum mit nahezu keinem Verlust an der Leistung der Spracherkennung erreicht werden kann.
Chou et al. (Fr,) haben diese Frage untersucht.