首页/论文/1302.6824

arXiv 1302.68242013-02-27cs.AI

从影响图到连接树

From Influence Diagrams to Junction Trees

Aalborg University（奥尔堡大学）

Frank Jensen, Finn Verner Jensen, Soren L. Dittmer

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：

我们提出了一种方法来制定的影响图决策问题的解决方案。这种方法涉及到一个特殊的三角形的底层图，建设一个具有特殊属性的连接树，和一个消息传递算法的连接树上的预期效用和最优决策策略的计算。

英文摘要：

We present an approach to the solution of decision problems formulated as influence diagrams. This approach involves a special triangulation of the underlying graph, the construction of a junction tree with special properties, and a message passing algorithm operating on the junction tree for computation of expected utilities and optimal decision policies.

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

连接树上一阶矩的计算

The computation of first order moments on junction trees

我们回顾了一些现有的方法计算一阶矩的连接树使用Shafer-Shenoy算法。首先，我们将一阶矩的计算问题看作是连接树中的顶点问题。通过这种方式，利用连接树边集基数的阶的存储空间来解决问题。在此之后，我们考虑了两个算法，Lauritzen-Nilsson算法，和Mauá等人。算法，它计算一阶矩作为连接树的规范化问题，使用连接树叶集基数的一个顺序的存储空间。

2012-01-17cs.AI

最优连接树

Optimal Junction Trees

Aalborg University（奥尔堡大学）

本文讨论了网络中更新信念的最优性问题。我们解决两个过程：三角剖分和连接树的建设。在第一部分中，我们给出了一个简单的算法，从一个三角网构建一个最佳的连接树。在第二部分中，我们认为，任何精确的方法的基础上，本地计算必须是效率低于连接树方法，或者它有一个最优性问题相当于三角剖分。

2013-02-27cs.AI

嵌套连接树

Nested Junction Trees

Aalborg University（奥尔堡大学）

Hugin和Shafer-Shenoy架构中的推理效率可以通过利用集团传入消息引起的独立关系来提高。也就是说，要从集团发送的消息可以经由以连接树的形式的集团势的因式分解来计算。在本文中，我们表明，通过利用这种嵌套的连接树在计算的消息，传统的传播方法的空间和时间成本可能会减少。本文提出了一种结构化的方式利用嵌套连接树技术来实现这种减少。该方法的实用性强调通过一个彻底的实证评估，涉及10个大型现实世界的贝叶斯网络和Hugin推理算法。

2013-02-06cs.AI

HUGS：在连接树中结合精确推理和Gibbs抽样

HUGS: Combining Exact Inference and Gibbs Sampling in Junction Trees

Aalborg University（奥尔堡大学）

Dawid、Kjaerulff和Lauritzen（1994年）初步描述了蒙特卡罗抽样方法与结点树中精确局部计算的混合。利用这两种方法的优势，这种混合推理方法有可能扩大类的问题，可以解决有限的资源，以及解决问题，否则抵制精确的解决方案。本文提供了这样一个混合方案的一个特定的实例，即，在离散贝叶斯网络的精确推理和吉布斯抽样相结合的详细描述。我们认为，这种组合要求的扩展通常的消息传递计划的普通连接树。

2013-02-20cs.AI

使用提升的动态连接树实现后见之明

Answering Hindsight Queries with Lifted Dynamic Junction Trees

University of Lübeck（吕贝克大学）

提升的动态连接树算法（LDJT）有效地回答过滤和预测查询的概率关系时态模型，通过建立，然后重用一个一阶聚类表示的知识库的多个查询和时间步长。我们扩展LDJT（i）解决平滑推理问题，以回答后见之明的查询，通过引入一个有效的向后通过和（ii）讨论不同的选项，以实例化一阶聚类表示在向后通过。此外，我们的关系向前向后算法使事后查询的一开始就可行。LDJT比展开模型上的静态提升连接树算法更快地回答多个时态查询，该算法在消息传递期间执行平滑。

2018-07-02cs.AI

提升动态联合树算法中不必要接地的防止

Preventing Unnecessary Groundings in the Lifted Dynamic Junction Tree Algorithm

Universität zu Lübeck（吕贝克大学）

提升的动态连接树算法（LDJT）有效地回答过滤和预测查询的概率关系时态模型，通过建立，然后重用一个一阶聚类表示的知识库的多个查询和时间步长。不幸的是，一个非理想的淘汰顺序可能会导致接地，即使一个模型的提升运行是可能的。我们扩展LDJT（i），以确定不必要的接地，同时进行的时间和（ii），以防止接地延迟消除通过时间的一阶聚类表示的变化。LDJT的扩展版本回答多个时间查询的数量级比原来的版本更快。

2018-07-02cs.AI

更多相关论文收起更多论文

论提升动态联合树算法的完备性与复杂度

On the Completeness and Complexity of the Lifted Dynamic Junction Tree Algorithm

University of Hamburg（汉堡大学）

本文首次对时序提升推理算法LDJT进行了完备性与复杂度分析，证明其时间推进中的消元顺序限制会影响域可提升性，并发现其提升宽度在更多情况下小于静态推理的树宽。

2024-05-31cs.AI

一阶知识编译与提升联合树算法的融合

Fusing First-order Knowledge Compilation and the Lifted Junction Tree Algorithm

University of Lübeck（吕贝克大学）

一阶结构的概率形式化推理的标准方法包括单次查询的提升变量消除（LVE）以及基于加权模型计数的一阶知识编译（FOKC）。为了有效地处理多个查询，提升连接树算法（LJT）使用模型的一阶聚类表示和LVE作为其计算中的子例程。对于某些输入，LVE的实现，以及因此LJT接地模型的FOKC具有提升运行的部分。本文的目的是准备LJT作为提升推理的骨干，并使用任何精确的推理算法作为子程序。在LJT中使用FOKC可以让我们在某些输入下比LJT、LVE和FOKC更快地计算答案。

2018-07-02cs.AI

一个快速求近最优连接树的算法

A Sufficiently Fast Algorithm for Finding Close to Optimal Junction Trees

Technion（以色列理工学院）

给出了一个求给定图G的近最优连接树的算法。该算法的最坏情况复杂度为O（c^k n^a），其中a和c是常数，n是顶点数，k是G的联合树中最大团的大小，其中最大团的大小被最小化。该算法保证所产生的联合树中最重团的状态空间大小的对数小于最优值的常数因子。当k = O（log n）时，我们的算法给出了贝叶斯网络的多项式推理算法.

2013-02-13cs.AIcs.DS

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

影响图中信息的短视价值

Myopic Value of Information in Influence Diagrams

DINA Skejby（DINA 斯基比）；The Danish Agricultural Advisory Centre（丹麦农业咨询中心）

我们提出了一种基于强连接树框架（Jensen，Jensen & Dittmer，1994）计算影响图（Howard & Matheson，1981）中信息近视值的方法。影响图中实例化顺序的差异通过机会节点被边缘化的顺序反映在相应的连接树中。这种边缘化的顺序可以通过表扩展来改变，并且实际上，具有扩展表的相同连接树可以用于计算具有不同实例化顺序的场景的预期效用。我们还比较了我们的方法在同一影响图中不同的实例化顺序建模的经典方法。

2013-02-06cs.AI

连接树中的惰性传播

Lazy Propagation in Junction Trees

Aalborg University（奥尔堡大学）

贝叶斯网络中利用二级结构进行概率推理的算法可以通过利用证据诱导的独立关系和原网络中链接的方向来提高效率。在本文中，我们提出了一种算法，在线利用独立关系诱导的证据和方向的链接在原始网络中，以减少时间和空间成本。而不是乘的条件概率分布的各种集团，我们在线确定哪些潜力倍增时，一个消息是要产生的。该算法的性能改进强调通过经验评估涉及大型现实世界的贝叶斯网络，我们比较的方法与HUGIN和Shafer-Shenoy推理算法。

2013-01-30cs.AI

一种时空高效的连接树结构

A Time and Space Efficient Junction Tree Architecture

University College London（伦敦大学学院）

联合树算法是一种计算布尔多变量概率分布的边际的方法，它对随机变量集进行因子分解。联合树算法首先构造一棵树，称为联合树，其顶点是随机变量的集合。然后，该算法执行一个广义版本的联合树上的信念传播。Shafer-Shenoy和Hugin架构是执行这种信念传播的两种方式，以不同的方式权衡时间和空间复杂度：Hugin传播至少与Shafer-Shenoy传播一样快，并且在我们具有高度数的大顶点的情况下明显更快。然而，这种速度的增加是以增加的空间复杂度为代价的。本文首先介绍了一个简单的新颖的架构，STK-1，它具有两全其美：Hugin传播的速度和Shafer-Shenoy传播的低空间需求。一个更复杂的新的架构，n-2，然后介绍了，只有线性的任何顶点的最大基数的一个因素，时间和空间复杂度性至少一样好的n-1，在我们有大的顶点的情况下，高程度的显着快于n-1。

2014-12-23cs.AIcs.LG

不考虑三角剖分的聚类

Clustering Without (Thinking About) Triangulation

University of Washington（华盛顿大学）

用于评估信念网络的无向技术[Jensen等人，1990年，Lauritzen和Spiegelhalter，1988年]要求将网络中的节点聚类到连接树中。在传统观点中，联合树是从道德化和三角化的信念网络的派系中构建的：三角化被视为原始概念，是任何聚类算法（例如节点消除）的目标。在本文中，我们提出了另一种概念的集群，其中集群和连接树属性扮演的角色的原语：给定一个图（不是树）的集群服从（修改版本）的连接树属性，我们转换这个图，直到我们得到一棵树。这种方法有几个优点：它更清晰，更容易理解，这对构建信念网络的人来说很重要;它允许更广泛的分类，这可能会实现更有效或更好的聚类算法;它作为增量聚类方案的自然基础，我们描述。

2013-02-20cs.AI

平均场理论与联合树算法之间的变分逼近

Variational Approximations between Mean Field Theory and the Junction Tree Algorithm

RWCP, Theoretical Foundation SNN, University of Nijmegen（RWCP、SNN 理论基础、奈梅亨大学）

近年来，变分近似，如平均场近似受到了极大的关注。我们扩展了标准的平均场方法，通过使用一个近似的分布，分解成集群潜力。这包括无向图，有向无环图和连接树。我们推导了优化团簇势的广义平均场方程。我们表明，该方法的桥梁之间的差距标准的平均场近似和精确的连接树算法。此外，我们解决的问题，如何选择的图形结构的近似分布。从广义平均场方程，我们推导出规则，以简化结构的近似分布在不影响质量的近似。我们还展示了该方法如何适合于目前流行的其他一些变分近似。

2013-01-16cs.AIcs.LGstat.ML

无向图模型选择的联合树框架

A Junction Tree Framework for Undirected Graphical Model Selection

Rice University（莱斯大学）；University of Wisconsin - Madison（威斯康星大学麦迪逊分校）

无向图模型是在无向图G* 上定义的联合概率分布，其中图中的顶点索引了随机变量的集合，而边对随机变量之间的条件独立关系进行编码。无向图模型选择（UGMS）问题是在给定无向图模型的观测值的情况下，对图G* 进行估计。本文提出了一个框架，用于将UGMS问题分解为多个子问题的集群和子集的分离器在一个联合树。使用包含G* 中的边的超集的图来构造连接树。我们强调了UGMS使用连接树的三个主要特性。首先，可以使用不同的正则化参数或不同的UGMS算法来学习图的不同部分。这是可能的，因为我们识别的子问题可以相互独立地解决。第二，在一定条件下，基于联合树的UGMS算法可以产生一致的结果与较少的观察比现有算法的通常要求。第三，我们的理论和实验结果都表明，连接树框架在寻找图中的最弱边方面比现有方法做得更好。该性质是第一和第二性质两者的结果。最后，我们注意到，我们的框架是独立的UGMS算法的选择，可以用作包装周围的标准UGMS算法更准确的图估计。

2013-12-02cs.AIcs.ITmath.IT

大型专家系统的贝叶斯网络局部化研究

Exploring Localization in Bayesian Networks for Large Expert Systems

Simon Fraser University（西蒙菲莎大学）；University of British Columbia（不列颠哥伦比亚大学）

目前的贝叶斯网络表示不考虑域中的结构，并包括同构网络中的所有变量。在任何时候，在一个大的域中的人类推理者可以将他的注意力仅引导到多个自然子域中的一个，即，有吗查询和证据的本地化。在这种情况下，通过同构网络传播证据是低效的，因为每次都必须更新整个网络。本文提出了多节贝叶斯网络，使（本地化保持）表示的自然子域单独的贝叶斯网络。这些树被转换成一组永久的连接树，使得证据推理一次只在其中一个树上进行。得到的概率是相同的那些将从同质网络。我们讨论了注意力转移到一个不同的连接树和传播以前获得的证据。虽然整个系统可能很大，但计算需求仅由一个连接树的大小决定。

2013-03-13cs.AI