首页/论文/1302.6779

arXiv 1302.67792013-02-27cs.AI

贝叶斯信度网络归纳学习算法的评价

An Evaluation of an Algorithm for Inductive Learning of Bayesian Belief Networks Usin

University of Pittsburgh（匹兹堡大学）

Constantin F. Aliferis, Gregory F. Cooper

备注：: Appears in Proceedings of the Tenth Conference on Uncertainty in Artificial Intelligence (UAI1994)

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

贝叶斯信念网络学习（Bayesian Learning of Belief Networks，BLN）是一种使用搜索和贝叶斯评分技术从数据中自动构建信念网络的方法。K2是实现贪婪搜索策略的方法的特定实例。为了评估K2的准确性，我们随机生成了一些BN，并为每个BN模拟了数据集。然后使用K2从模拟数据中诱导生成BN。我们检查的程序的性能，以及影响它的因素。我们还提出了一个简单的BN模型，从我们的结果，它预测的精度K2，当给定的数据集的各种特性。

英文摘要：

Bayesian learning of belief networks (BLN) is a method for automatically constructing belief networks (BNs) from data using search and Bayesian scoring techniques. K2 is a particular instantiation of the method that implements a greedy search strategy. To evaluate the accuracy of K2, we randomly generated a number of BNs and for each of those we simulated data sets. K2 was then used to induce the generating BNs from the simulated data. We examine the performance of the program, and the factors that influence it. We also present a simple BN model, developed from our results, which predicts the accuracy of K2, when given various characteristics of the data set.

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

归纳推理的一般非概率理论

A General Non-Probabilistic Theory of Inductive Reasoning

概率论，从认识论的角度解释，提供了一个极好的，如果不是最好的归纳推理的帐户。之所以如此，是因为通过信息或经验，主观概率的变化存在着普遍而明确的规则;归纳和信念变化毕竟是同一个主题。这些规则中最基本的是简单地对收到的信息进行条件化;还有类似的和更一般的规则。[1]因此，概率论在认识论上取得成功的一个根本原因是，条件概率的概念确实存在。尽管如此，人们对概率论仍然有各种各样的担忧，也有各种各样的理由。其中之一是我的出发点：直觉上，我们有朴素信念的概念;我们相信命题2为真（或为假，或两者皆不）。然而，概率论并没有提供与这个概念相对应的形式。相信A并不等同于A的概率为1，因为概率1是不可救药的;但简单的信念显然是可以纠正的。相信A并不等于给A一个大于1-c的概率，因为相信A和相信B通常被认为等同于相信A和B。事实上，表达简单的信念似乎很容易：简单地用所有被认为在其中为真的命题的集合来表示一个认识状态，或者，因为我做了普通信念在演绎上是封闭的这一共同假设，所以用所有被认为在其中为真的命题的合取来表示一个认识状态。但是，这还没有提供一个归纳理论，也就是说，对这样表示的认识状态如何通过信息或经验而改变的问题的回答。有一个令人信服的部分答案：如果新信息与旧的认识状态相容，那么新的认识状态就简单地由新信息和旧信念的结合来表示。这个答案是片面的，因为它没有涵盖新信息与旧信念不相容的相当常见的情况。然而，…

2013-03-27cs.AI

Knowledge from Probability

University of Southern California（南加州大学）；University of Oxford（牛津大学）

We give a probabilistic analysis of inductive knowledge and belief and explore its predictions concerning knowledge about the future, about laws of nature, and about the values of inexactly measured quantities. The analysis combines a theory of knowledge and belief formulated in terms of relations of comparative normality with a probabilistic reduction of those relations. It predicts that only highly probable propositions are believed, and that many widely held principles of belief-revision fail.

2021-06-22cs.AIcs.LO

学习 POMDP 中用于策略指导的逻辑规约：一种归纳逻辑编程方法

Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach

University of Verona（维罗纳大学）

本文利用 ILP 从 POMDP 执行轨迹中学习可解释的 ASP 置信策略规约，作为在线启发式指导 POMCP、DESPOT 和 AdaOPS，并在 rocksample 与 pocman 上验证其高效、优越且可泛化。

2024-02-29cs.AIcs.LGcs.LO

一种利用信度网络作为影响图的方法

A Method for Using Belief Networks as Influence Diagrams

Stanford University（斯坦福大学）

本文提出了一种用置信网络算法求解影响图问题的方法。特别地，精确和近似置信网络算法都可以应用于解决影响图问题。更一般地说，了解信任网络和影响图问题之间的关系可能有助于设计和开发更有效的影响图算法。

2013-03-27cs.AI

一种基于查询DAG的信度网络推理优化标准方法

A Standard Approach for Optimizing Belief Network Inference using Query DAGs

American University of Beirut（贝鲁特美国大学）；Rockwell Science Center（罗克韦尔科学中心）

本文提出了一种新的，算法无关的方法来优化信念网络推理。我们认为，应该使用未优化的算法来生成Q-DAG，这是信念网络的编译图形表示，然后优化Q-DAG及其评估器，而不是逐个算法地设计优化。我们提出了一组Q-DAG优化，取代传统的推理算法，包括零压缩，网络修剪和缓存设计的优化。我们表明，我们的Q-DAG优化需要在Q-DAG大小的时间线性，并显着简化的过程中，设计算法优化的信念网络推理。

2013-02-06cs.AI

用树分解结构逼近信度网络

Using Tree-Decomposable Structures to Approximate Belief Networks

Louisiana State University（路易斯安那州立大学）

树结构已被证明为传播信念提供了一个有效的框架[Pearl，1986]。本文研究了寻找最优逼近树的问题。三个二元变量的星分解方案[Lazarsfeld，1966; Pearl，1986]被证明可以增强支持树结构的概率分布类，这种结构被称为树可分解结构。对数评分规则被发现是一个适当的最优性标准，以评估不同的树可分解的结构。最接近于实际的信念网络的结构的特性，确定使用对数规则，贪婪和精确的技术来找到最佳的近似。

2013-03-06cs.AI

更多相关论文收起更多论文

信度网络的动态构造

Dynamic Construction of Belief Networks

Brown University（布朗大学）

我们描述了一种增量式构造信念网络的方法。我们已经开发了一种网络构造语言，类似于使用数据依赖关系的前向链接语言，但具有用于指定分布的附加功能。使用这种语言，我们可以定义概率模型的参数化类。这些参数化的模型使得有可能应用概率推理的问题，这是不切实际的，有一个单一的大型静态模型。

2013-03-27cs.AI

基于数量级概率的快速信念更新

Fast Belief Update Using Order-of-Magnitude Probabilities

Rockwell Science Center（罗克韦尔科学中心）

我们提出了一个算法，称为预测，更新因果网络量化的数量级概率的信念。该算法利用了网络的结构和量化，并提出了一个多项式渐近复杂性。预测表现出保守的行为，因为它总是合理的，但并不总是完整的。我们提供了充分的条件，完整性和目前的算法来测试这些条件和计算一套完整的似是而非的值。我们提出预测作为一种有效的方法来估计概率值，并说明其使用结合两个已知的概率推理算法。最后，我们描述了一个应用程序的预测计划评估，目前的实验结果，并讨论了有关其使用的问题与条件逻辑的信念，并在表征无关。

2013-02-20cs.AI

Dempster-Shafer信念的Monte-Carlo算法

A Monte-Carlo Algorithm for Dempster-Shafer Belief

Queen Mary and Westfield College（玛丽女王与韦斯特菲尔德学院）

一个非常计算效率的Monte-Carlo算法的计算Dempster-Shafer信念。如果Bel是使用信任函数Bel，...的Dempster规则的组合，Bel，7，则对于帧C）的子集b，Bel（b）可以在时间上线性地在1（31和m中计算（假定冲突的权重是有界的）。该算法也可以用来提高马尔可夫树上的Shenoy-Shafer算法的复杂性，并推广到计算其他逻辑上的Dempster-Shafer置信度。

2013-03-20cs.AI

使用置信函数和证据权重结合统计数据和专家意见的实验

Experiments Using Belief Functions and Weights of Evidence incorporating Statistical Data and Expert Opinions

University of Guelph（圭尔夫大学）

本文提出了一些想法和结果，使用不确定性管理方法在数据的存在，优先于其他统计和机器学习方法。一个医疗领域被用作一个测试平台，其数据来自一个大型医院数据库系统，该系统收集有关患者的症状和结果信息。数据经常缺失，涉及许多变量类型，特定结果的样本量不大。不确定性管理方法对于这些领域是有用的，并且具有允许专家修改最初从数据获得的置信值的附加优点。使用置信函数的统计数据的方法考虑处理的一些细节。专家意见被纳入项目开发的各个层面，并报告了肝病诊断应用的结果。最近的结果对比使用的证据权重和逻辑回归在另一个医疗领域。

2013-03-27cs.AI

信度函数在不确定性管理和知识获取中的应用

Using Belief Functions for Uncertainty Management and Knowledge Acquisition: An Expert Application

University of Guelph（圭尔夫大学）

本文介绍了最近的工作正在进行的项目在医学诊断圭尔夫大学。一个领域的专家是不是很好地查明一个单一的疾病的结果进行了探讨。在线医疗数据可在相对较短的时间内获得。信度函数（Dempster-Shafer理论）首先从数据中提取，然后根据专家意见进行修改。这样做的几种方法进行了比较，结果表明，一个配方在统计上优于其他，包括谢弗建议的方法。专家的意见和统计得出的信息之间的依赖性症状进行了比较。讨论了使用不确定性管理技术作为从数据中获取知识获取的方法的好处。

2013-03-27cs.AI

使用信念函数在credal networks中进行保守推断：credal chains的案例

Towards conservative inference in credal networks using belief functions: the case of credal chains

Eindhoven University of Technology, The Netherlands（埃因霍温理工大学，荷兰）

本文提出基于Dempster-Shafer理论在credal chains中传播不确定性的新框架，通过信念与似然函数高效生成保守区间，并对比经典敏感性分析揭示其优势与局限。

2025-07-10cs.AImath.PR

通过连接树中的消息传递的置信传播：使用GPU并行化更快地计算每个消息

Belief Propagation by Message Passing in Junction Trees: Computing Each Message Faster Using GPU Parallelization

Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加州大学伯克利分校）

将贝叶斯网络（BN）编译为连接树并在其上执行置信传播是计算BN中后验的最突出方法之一。然而，连接树上的信念传播是已知的，在一般情况下是计算密集型的。它的复杂性可能会显着增加贝叶斯网络节点的连通性和状态空间基数。在本文中，我们使用GPU并行化来解决这个计算挑战。我们开发的数据结构和算法，扩展现有的连接树技术，并专门开发一种新的方法来计算每个信念传播消息并行。我们实现了我们的方法上的NVIDIA GPU和测试它使用BN从几个应用程序。在实验中，我们研究了连接树参数如何影响并行化的机会，因此我们的算法的性能。我们实现了从0.68到9.18的BN研究的加速比。

2012-02-14cs.AIcs.DC

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

学习难以置信的边际概率

Learning unbelievable marginal probabilities

University of Rochester（罗切斯特大学）；Columbia University（哥伦比亚大学）

Loopy belief propagation在具有循环的图形模型上执行近似推理。人们可能希望通过调整模型参数来补偿近似值。用于此目的的学习算法以前已经探索过了，并且已经声称每一组局部一致的边缘都可以从在图形模型上运行的置信传播中产生。相反，在这里，我们表明，许多概率分布的边际不能通过使用任何一组模型参数或任何学习算法的信念传播。我们称这种边缘化为“难以置信”。只要贝特自由能的海森函数在目标边缘不是正定的，就会出现这个问题。所有用于信念传播的学习算法在这些情况下必然失败，产生甚至可能比预学习近似更差的信念或信念集。然后，我们表明，平均不准确的信念，每个信念传播使用模型参数扰动一些学习的平均值，可以实现令人难以置信的边际。

2011-06-02cs.AIcs.LG