Waarom is dit belangrijk?
Grote patiëntbestanden worden zo doorzoekbaar op patronen die klachten en het ziekteverloop helpen verklaren. In de zorg helpt structure learning bij het ordenen van gegevens voor diagnose en behandelkeuzes, zoals bij hartziekten en gevolgen van kanker. Patiënten kunnen daardoor een begrijpelijker beeld van hun situatie krijgen, maar het gekozen patroon kan fout zijn doordat het aantal mogelijke schema's snel te groot wordt.
Zo werkt het in de praktijk
Alibaba gebruikt structure learning in de ticketverkoop. Een netwerk uit loggegevens wijst de oorzaak van boekingsfouten aan. Onderzoekers van de University of Alberta leren het netwerk alleen uit data over de mountain pine beetle, een keverplaag in bossen.
Een overzichtsartikel in Artificial Intelligence Review vergelijkt algoritmen voor structure learning. De vraag is welk netwerk de gegevens het best beschrijft, ook als de data ruis bevatten. Het artikel beschrijft hoe kennis van experts het zoeken kan sturen.
Bij structure learning zijn twee werkwijzen gebruikelijk. Constraint-based methoden testen of onderdelen onafhankelijk zijn en leggen zo de verbindingen vast. Score-based methoden geven mogelijke netwerken een score en houden de hoogste score, terwijl hybride methoden beide stappen mengen.




