Price Updating in Combinatorial Prediction Markets with Bayesian Networks
Yahoo! Research（雅虎研究院）；Duke University（杜克大学）
为了克服基于对数市场评分规则（LMSR-based）的组合预测市场中计算/更新价格的#P-困难，Chen等人。[5]最近使用一个简单的贝叶斯网络来表示锦标赛组合预测市场中证券的价格，并表明两种类型的流行证券是结构保持的。在本文中，我们显着扩展这一想法，采用贝叶斯网络在一般的组合预测市场。我们揭示了一个非常自然的连接基于LMSR的组合预测市场和概率信念聚合，这导致了一个完整的表征所有结构保持证券可分解的网络结构。值得注意的是，Chen等人[5]的主要结果是我们特征的推论。然后，我们证明，为了一个非常基本的证券集是结构保持，贝叶斯网络的图必须是可分解的。我们还讨论了一些近似技术的证券结构不保持。
2012-02-14 cs.AI cs.GT
Decision Principles to justify Carnap's Updating Method and to Suggest Corrections of Probability Judgments (Invited Talks)
University of Amsterdam（阿姆斯特丹大学）
本文使用决策理论的原则，以获得新的见解的评估和更新的概率。首先，给出了贝叶斯主义的一个新基础。它不像Savage的经典结果那样需要无限的无原子不确定性，因此可以应用于任何有限的贝叶斯网络，它也不像de Finetti的经典结果那样需要线性效用，因此允许经验和规范上期望的风险转移。我们的结果可以很容易地应用于确定r n概率更新的方法，从而为Rudolf Carnap提出的计算效率高的归纳推理方法提供了决策理论基础，最后，本文讨论了r n概率评估的最新经验发现，并提出了r n修正概率评估中的偏差的建议，以及对Dempster - Shafer信念函数的替代，以避免在多次更新后退化为r n。
2012-12-12 cs.AI
Using ROBDDs for Inference in Bayesian Networks with Troubleshooting as an Example
Aalborg University（奥尔堡大学）
当使用贝叶斯网络对人造机械的行为进行建模时，通常会发生模型的大部分是确定性的。对于这种贝叶斯网络，模型的确定性部分可以表示为布尔函数，并且置信更新的中心部分简化为计算布尔函数中满意配置的数量的任务。在本文中，我们将探讨如何在计算布尔函数的进步，可以通过信念更新，特别是在故障排除的背景下。我们目前的实验结果表明，一个显着的速度相比，传统的连接树传播。
2013-01-16 cs.AI
Belief Updating by Enumerating High-Probability Independence-Based Assignments
Air Force Institute of Technology（空军理工学院）；Ben Gurion University of the Negev（内盖夫本-古里安大学）
基于独立性（IB）的贝叶斯信念网络分配最初被提出作为溯因解释。IB分配分配更少的变量在溯因解释比计划分配值的所有证据支持的变量。我们使用IB分配来近似贝叶斯信念网络中的边缘概率。最近的工作在贝叶斯网络的信念更新试图近似后验概率找到一个小数目的最高概率完成（或可能证据支持）的分配。在某些假设下，这些赋值的并集中的概率质量足以获得良好的近似。这种方法对于高度连接的网络特别有用，其中最大团大小或割集大小使标准算法难以处理。由于IB作业包含较少的分配变量，因此每个作业中的概率质量大于相应的完整作业。因此，更少的IB赋值就足够了，并且可以更有效地获得良好的近似。IB分配可以用于有效地近似后验节点概率，即使在不遵守先前研究中使用的相当严格的偏度假设的情况下。提出了两种寻找高概率IB分配的算法：一种是最佳优先启发式搜索算法，另一种是专用整数线性规划算法。实验结果表明，该方法对高度连通的信度网络是可行的。
2013-02-27 cs.AI
Probability and Asset Updating using Bayesian Networks for Combinatorial Prediction Markets
George Mason University（乔治梅森大学）
一个基于做市商的预测市场让预测者通过直接编辑共识概率分布或通过交易证券来汇总信息，这些证券的回报取决于感兴趣的事件。组合预测市场允许交易任何事件，可以指定为一组基本事件的组合。然而，明确表示完全联合分布是不可行的市场与几个以上的基本事件。一个因子化的表示，如贝叶斯网络（BN），可以实现易于处理的计算与许多相关的变量的问题。标准BN推断算法（诸如联合树算法）可以用于在给定任何局部条件概率的变化的情况下更新整个联合分布的表示。然而，为了让交易者重新使用来自先前交易的资产，同时不允许资产变为负值，基于BN的预测市场还需要更新每个用户的资产的表示，并找到用户具有最小资产的条件状态。用户还发现，在给定编辑结果的情况下查看他们的预期资产很有用。我们将展示如何推广的联合树算法来执行所有这些计算。
2012-10-16 cs.AI q-fin.TR
Fuzzy finite element model updating using metaheuristic optimization algorithms
University of Johannesburg（约翰内斯堡大学）；Swansea University（斯旺西大学）
本文采用一种基于模糊逻辑的非概率方法对有限元模型进行修正。模型修正技术利用实测数据来提高结构数值模型的精度。然而，测量数据被实验噪声污染，并且由于参数的随机性，模型不准确。这种偶然的不确定性是不可约的，可能会降低有限元模型修正过程的精度。然而，可以使用不确定性量化方法来识别更新参数中的不确定性。本文将模态参数的不确定性定义为模糊隶属函数，将模型修正过程定义为每个α截层的优化问题。为了确定更新后的参数的隶属函数，目标函数的定义和最小化，使用两个元启发式优化算法：蚁群优化（ACO）和粒子群优化（PSO）。通过一个结构算例，验证了粒子群算法和蚁群算法的模糊模型修正策略的精度。并将模糊有限元模型修正结果与贝叶斯模型修正结果进行了比较。
2017-01-03 cs.AI
A Channel-based Exact Inference Algorithm for Bayesian Networks
Radboud University Nijmegen（奈梅亨拉德堡德大学）
本文介绍了一种新的算法，精确贝叶斯推理的基础上，最近提出的组合语义的贝叶斯网络的渠道。本文集中在这个算法背后的想法，涉及线性化（“拉伸”）的贝叶斯网络，其次是一个组合的前向状态变换和后向谓词变换，而证据是积累的道路上。在Python中的算法的原型实现的性能进行了简要的比较，一个标准的实现（pgmb）：第一个结果显示竞争力的性能。
2018-04-21 cs.AI
The Temporal Dynamics of Belief-based Updating of Epistemic Trust: Light at the End of the Tunnel?
Ludwig-Maximilians-University of Munich (LMU)（慕尼黑大学（LMU））；Friedrich Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）；Birkbeck College London（伦敦伯克贝克学院）
我们开始与结果和基于信念的贝叶斯模型的顺序更新代理人的信念和主观可靠性的来源（信任）的区别。然后，我们重点讨论了有影响力的贝叶斯模型的基于信念的信任更新的埃里克奥尔森，该模型的二分法事件，并明确表示反可靠性。在勾画了一些灾难性的最近的结果，这也许是最有前途的模型的信念更新，我们展示了新的模拟结果的时间动态的学习信念，有和没有信任更新，有和没有沟通。结果似乎至少为沟通和信任更新代理提供了一些更积极的信息。这可能是基于信念的信任更新模型隧道尽头的一盏灯，但对明确发现的解释却不那么清楚。
2019-12-24 cs.AI cs.SI
Computational Investigation of Low-Discrepancy Sequences in Simulation Algorithms for Bayesian Networks
University of Pittsburgh（匹兹堡大学）
蒙特卡罗抽样已经成为贝叶斯网络中近似推理的主要工具。在本文中，我们研究了一系列相关的模拟方法，统称为准蒙特卡罗方法的基础上确定性低差异序列。我们首先概述了确定性低差异序列的几个理论方面，显示了三个这样的序列的例子，然后讨论将它们应用到贝叶斯网络的信念更新相关的实际问题。提出了一种Sobol序列方向数的选取算法。我们的实验结果表明，低差异序列（特别是Sobol序列）显着提高性能的模拟算法在贝叶斯网络相比，蒙特卡罗抽样。
2013-01-16 cs.AI
Implementation of Continuous Bayesian Networks Using Sums of Weighted Gaussians
Telecommunications Research Center（电信研究中心）；Arizona State University（亚利桑那州立大学）；Department of Electrical Engineering（电气工程系）
贝叶斯网络提供了一种表示随机变量之间的条件独立性并计算与这些随机变量相关联的概率分布的方法。在本文中，我们扩展贝叶斯网络结构计算连续随机变量的概率密度函数。我们使这种扩展近似先验和条件密度加权高斯分布的总和，然后找到传播规则更新的密度在这些权重。我们提出了一个简单的例子，说明了连续变量的贝叶斯网络;这个例子显示了网络结构和近似误差对网络中变量密度计算的影响。
2013-02-20 cs.AI
Belief Updating and Learning in Semi-Qualitative Probabilistic Networks
本文探讨了结合数值和定性信息的半定性概率网络（SQPN）。我们首先证明了SQPN的精确推理是NPPP完全的。然后，我们表明，现有的SQPN（加上概率逻辑和不精确的评估）的定性关系，可以有效地处理通过多线性规划。然后我们讨论学习：我们考虑一种最大似然方法，它在给定SQPN和经验数据的情况下产生点估计，我们描述了一种贝叶斯思想的方法，它采用不精确狄利克雷模型来产生集值估计。
2012-07-04 cs.AI stat.ML
Belief Revision in Probability Theory
Indiana University（印第安纳大学）
在基于概率的推理系统中，贝叶斯定理及其变体经常被用来修正系统的信念。然而，如果正确区分概率赋值的显式条件和隐式条件，则贝叶斯定理不是普遍适用的修正规则。在正确区分信念修正和信念更新后，我们发现杰弗里规则及其变体也不是修正规则。如果没有这些区别，贝叶斯方法的局限性往往被忽视或低估。一般形式的修正不能用贝叶斯方法完成，因为概率分布函数本身不包含运算所需的信息。
2013-03-06 cs.AI
iBOA: The Incremental Bayesian Optimization Algorithm
University of Missouri–St. Louis（密苏里大学圣路易斯分校）
本文提出了增量贝叶斯优化算法（iBOA），它修改了标准的BOA，通过删除人口的解决方案，并使用增量更新的贝叶斯网络。iBOA被证明能够学习和利用不受限制的贝叶斯网络，使用增量技术更新的概率模型的结构以及参数。这是一个重要的一步，设计主管增量估计的分布算法，可以解决困难的几乎可分解的问题，可扩展和可靠的。
2008-01-21 cs.AI cs.NE
When Does Belief-Based Agent Memory Help? Reliability-Conditional Updating and Provenance-Capped Poisoning Defense
Indian Institute of Technology Ropar（印度理工学院罗巴尔分校）
提出Nous记忆架构，基于知识即预测而非存储的原则，通过贝叶斯更新维护概率分布，以信息论惊喜度评分并记录信念变化，在LoCoMo基准上取得优于对比方法的F1分数。
2026-07-17 cs.AI cs.CL cs.IR
Plinko: Eliciting beliefs to build better models of statistical learning and mental model updating
University of Waterloo（滑铁卢大学）；Toyota Research Institute（丰田研究院）
先验信念是贝叶斯认知解释的核心，但许多解释并不直接测量先验。更具体地说，信念的初始状态严重影响了在更新特定模型时假设如何利用新信息。尽管如此，先验和后验信念要么是从连续的参与者行为中推断出来的，要么是通过贫困的手段得出的。我们让参与者玩一个版本的游戏“Plinko”，首先以理论上不可知的方式引出个体参与者的先验知识。随后的学习和更新的参与者的信念，然后直接测量。我们发现，参与者持有各种先验的集群周围的原型概率分布，反过来影响学习。在后续的实验中，我们表明，参与者先验是稳定的，随着时间的推移，更新信念的能力是由一个简单的环境操纵（即短暂的休息）的影响。这些数据揭示了直接测量参与者信念的重要性，而不是像迄今为止文献中广泛做的那样假设或推断它们。普林科博弈为检验统计学习和心智模型更新提供了一种灵活而富有成效的方法。
2022-01-08 cs.AI q-bio.NC q-bio.QM
Conditionals Based on Selection Functions, Modal Operators and Probabilities
Department of Philosophy University of Turin Turin, Italy（哲学系 特里尼蒂大学 特里尼蒂，意大利）
本文研究了条件句与概率更新方法之间的关系，旨在通过一般性结果揭示两者之间的联系。
2025-11-27 cs.AI cs.DM cs.LO
