无向图2-单调下概率的传播

Propagation of 2-Monotone Lower Probabilities on an Undirected Graph

Carnegie Mellon University（卡内基梅隆大学）

Lonnie Chrisman

备注：: Appears in Proceedings of the Twelfth Conference on Uncertainty in Artificial Intelligence (UAI1996)

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

下概率和上概率，也称为Choquet容量，被广泛用作概率分布集合的方便表示。本文提出了一种计算2-单调下概率（等价于2-交替上概率）的边际后验的图分解和精确传播算法。

英文摘要：

Lower and upper probabilities, also known as Choquet capacities, are widely used as a convenient representation for sets of probability distributions. This paper presents a graphical decomposition and exact propagation algorithm for computing marginal posteriors of 2-monotone lower probabilities (equivalently, 2-alternating upper probabilities).

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

2-单调下概率的上熵

Upper Entropy for 2-Monotone Lower Probabilities

UMR CNRS 7253 Heudiasyc Université de Technologie de Compiègne France（法国克雷伊根技术大学7253 UMR CNRS Heudiasyc实验室）；Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A) Université d’Artois, UR 3926, France（阿托瓦大学自动化与计算机工程实验室（LGI2A））

本文研究2-单调下概率的上熵计算，提出高效算法并改进了现有方法，解决了计算复杂度问题。

2026-03-23cs.AIcs.LG

具有上下概率的独立性

Independence with Lower and Upper Probabilities

Carnegie Mellon University（卡内基梅隆大学）

结果表明，区间概率表示捕捉认识论的独立性的能力是非常有限的。如果对第一个事件的知识不改变信念，那么两个事件在认识论上是独立的（即，概率边界）。然而，这种形式的独立性只能存在于退化情况下的2-单调概率函数中，即，前提是先验界要么是点概率要么是完全空的其他类别的低概率也有额外的限制。有人认为，这些现象只是一个解释的问题。当人们将概率界限解释为认识论不确定性的度量时，它们似乎是限制（即，由于缺乏知识而产生的不确定性），但是当概率区间被解释为本体论不确定性（由结构近似引入的不确定性）的表示时，人们会完全期望。本体论的解释进行了介绍和讨论。

2013-02-13cs.AI

贝叶斯网计算中三角剖分问题的回避

Sidestepping the Triangulation Problem in Bayesian Net Computations

University of British Columbia（不列颠哥伦比亚大学）

本文提出了一种新的计算贝叶斯网后验概率的方法，它避开了三角剖分问题。当前的技术状态是团树传播方法。当贝叶斯网络的底层图被三角化时，这种方法将其集团排列成一棵树，并通过在该树中适当地传递消息来计算后验概率。每个集团中的计算只是直接边缘化。当底层图未被三角化时，必须首先通过添加边对其进行三角化。被称为三角问题，问题的最佳甚至是？好吗？三角测量被证明是困难的。在本文中，我们提出了第一次分解贝叶斯网到更小的组件，利用Tarjan的算法分解无向图在其所有的最小完全分离。然后，将组件排列成树，并通过在该树中适当地传递消息来计算后验概率。每个分量的计算都是通过从头开始重复整个过程来进行的。这样就避开了三角测量的问题。

2013-03-13cs.AI

二进制网络的信念优化：一种稳定的循环信念传播算法

Belief Optimization for Binary Networks: A Stable Alternative to Loopy Belief Propagation

我们提出了一种新的推理算法，任意，二进制，无向图。不像循环的信念传播，迭代不动点方程，我们直接下降到贝特自由能。该算法包括两个阶段，首先，我们更新成对的概率，给定的边际概率在每个单元，使用一个解析表达式。接下来，我们更新边际概率，通过遵循贝特自由能的负梯度给出成对概率。这两个步骤都保证减少贝特自由能，因为它是下界，算法保证收敛到局部最小值。我们还表明，Bethe自由能等于TAP自由能，直到二阶的重量。在实验中，我们确认，当信念传播收敛，它通常会发现我们的信念优化方法相同的解决方案。然而，在信念传播未能收敛的情况下，信念优化继续收敛到合理的信念。信念优化的稳定性使其非常适合从数据中学习图形模型。

2013-01-10cs.AIcs.LG

贝叶斯网络中的循环信念传播：起源和可能性观点

Loopy Belief Propagation in Bayesian Networks : origin and possibilistic perspectives

在本文中，我们提出了一个综合的工作进行两个推理算法：珍珠的信念传播（BP）算法适用于贝叶斯网络没有循环（即polytree）和循环的信念传播（LBP）算法（灵感来自BP），这是适用于网络包含无向循环。众所周知，BP算法，适用于贝叶斯网络与循环，给出不正确的数值结果，即不正确的后验概率。Murphy等人[7]发现LBP算法在多个网络上收敛，当这种情况发生时，LBP给出了精确后验概率的良好近似。然而，该算法在应用于QMR（快速医学参考）网络时呈现振荡行为[15]。这种现象阻止了LBP算法收敛到后验概率的良好近似。我们相信，翻译的推理计算问题从概率框架的可能性框架将允许LBP算法的性能改善。我们希望，该算法的适应可能性因果网络将显示LBP的收敛性的改善。

2012-06-05cs.AIcs.IR