Updating Probabilities in Multiply-Connected Belief Networks
Stanford University（斯坦福大学）
本文主要研究多连通信度网络中的概率更新问题。Pearl设计了调节的方法，这使我们能够通过为网络选择一个环割集并实例化这些环割集节点，将他在单连接网络中的信念更新算法应用于多连接信念网络。我们讨论所选节点需要满足的条件。我们提出了一个启发式算法找到一个循环割集，满足这些条件。
2013-03-27 cs.AI
Optimal Decomposition of Belief Networks
Telecom Research Laboratories（电信研究实验室）
本文讨论了信度网的最优分解问题。一些方法的分解检查和一个新的方法-最小总数的状态（MTNS）的方法-被提出。在我们的框架下的最佳信念网络分解的问题，在所有其他框架下，被证明是NP-难的。根据计算复杂性分析，Wee（1990 a）提出了一种基于模拟退火的信度网络分解算法。
2013-03-27 cs.AI
Minimal Assumption Distribution Propagation in Belief Networks
University of California（加利福尼亚大学）
随着信任网络被用于对日益复杂的情况进行建模，从大型数据库中自动构建信任网络的需求将变得至关重要。本文集中解决了信念网络归纳问题的一部分：在给定定性结构的情况下，学习定量结构（条件概率）。特别是，一个理论，显示了如何传播的信念网络中的推理分布，唯一的假设是，给定的定性结构是正确的。大多数推理算法必须至少做出这个假设。该理论基于四个网络转换，足以在信念网络中进行任何推理。此外，与流行的观点相反，错误不一定会随着推理链的增长而增长。相反，对于从足够大的样本诱导的QBN信念网，随着推理链的大小增加，误差更有可能减小。
2013-03-06 cs.AI
A Simple Insight into Iterative Belief Propagation's Success
University of California, Irvine（加州大学尔湾分校）
在非遍历信度网络中，许多查询的后验信度在给定证据的情况下可能变为零.本文证明了当信度传播在任意网络上迭代应用时（所谓的迭代或循环信度传播（IBP）），它与关于零信度查询的弧一致性算法（即评估零后验概率）是相同的.这意味着由信念传播得到的零信念结论是收敛的和可靠的。更重要的是，它表明IBP的推理能力与弧一致性的推理能力一样强和一样弱。这一方面允许对信念传播无用的信念网络进行合成，另一方面集中于对信念传播可能是零完全的信念网络类的研究。最后，所有上述结论也适用于广义置信传播算法，它扩展了循环置信传播，并允许对它们的能力有一个严格的理解。
2012-10-19 cs.AI
Directed Cycles in Belief Networks
The University of Melbourne（墨尔本大学）
概率推理中最困难的任务可能是处理信念网络中的有向循环。据作者所知，迄今为止，在概率推理的文献中还没有对这个问题进行认真的讨论。
2013-03-27 cs.AI
Evidential Reasoning with Conditional Belief Functions
IRIDIA（IRIDIA人工智能实验室）；Universite libre de Bruxelles（布鲁塞尔自由大学）
在现有的具有信念函数的证据网络中，变量之间的关系通常由所涉及变量的乘积空间上的联合信念函数来表示。在本文中，我们使用条件信度函数来表示网络中的这种关系，并显示了这两种表示的一些关系。我们还提出了一个传播算法，这样的网络。通过分析几种特殊的具有条件信度函数的证据网络的性质，证明了在这类网络中，推理过程可以得到简化。
2013-02-27 cs.AI
A New Algorithm for Finding MAP Assignments to Belief Networks
Brown University（布朗大学）
本文提出了一种新的算法，用于寻找最大后验（MAP）分配值的信念网络。信念网络被编译成仅由具有布尔（即仅0或1）条件概率的节点组成的网络。然后，在所得到的网络上使用最佳优先搜索来找到MAP分配。我们认为，正如人们所预料的那样，该算法在一般情况下是指数的，但对于多边形树，网络的大小仅是线性的。
2013-03-27 cs.AI
Strategies for Generating Micro Explanations for Bayesian Belief Networks
Monash University（莫纳什大学）
贝叶斯信度网络一直被专家系统从业者忽视，因为它不符合人类的推理机制。在本文中，我们介绍了一种解释机制，旨在生成直观的概率合理的解释贝叶斯信念网络得出的推论。特别是，我们的机制帐户的因果关系和证据支持的节点的变化所获得的结果。
2013-03-27 cs.AI
A Bayesian Method for Constructing Bayesian Belief Networks from Databases
Stanford University（斯坦福大学）；University of Pittsburgh（匹兹堡大学）
本文提出了一种从案例数据库中构造贝叶斯信度网的贝叶斯方法。潜在的应用包括计算机辅助假设检验、自动科学发现和概率专家系统的自动构造。结果提出了一个初步评估的算法，用于构建一个信念网络的数据库的情况下。我们在本文中的方法，以前的工作，我们讨论开放的问题。
2013-03-20 cs.AI
Abstraction in Belief Networks: The Role of Intermediate States in Diagnostic Reasoning
Institute for Decision Systems Research（决策系统研究所）
贝叶斯信度网络越来越多地被用作诊断推理的知识表示。进行诊断推理的一个简单方法是只表示系统故障和观测值。在本文中，我们研究如何有中间结点-节点以外的故障和观察节点的贝叶斯信念网络的诊断性能的影响。我们对一组用于肝脏和胆汁疾病医学诊断的真实信念网络进行了一系列实验。我们比较了一个两级网络的诊断性能的影响，包括疾病和发现节点与网络模型中间的病理生理疾病状态以及。我们提供了一些理论上的证据之间观察到的抽象的两级网络和完整的网络的差异。
2013-02-20 cs.AI
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。
2013-02-06 cs.AI
Properties of Bayesian Belief Network Learning Algorithms
Utrecht University（乌得勒支大学）
贝叶斯信念网络学习算法有三个基本组成部分：网络结构和数据库的测量，选择要考虑的网络结构的搜索启发式，以及从数据库估计概率表的方法。本文对这三个主题都有贡献。库珀和Herskovits和最小描述长度（MDL）措施的贝叶斯措施的行为进行了比较，就其性质的限制大小和有限大小的数据库。结果表明，MDL措施比贝叶斯措施时，要学习的分布具有更理想的属性。研究表明，选择具有某些极小性属性的信念网络是NP难的。这个结果证明了使用搜索算法而不是精确算法来选择要考虑的网络结构是合理的。在某些情况下，一个信念网络的集合可以用一个信念网络来表示，这导致了一种新的概率表估计，称为平滑。我们认为，平滑可以有效地实现将其纳入搜索启发式。实验结果表明，平滑的信念网络的学习概率是有帮助的。
2013-02-27 cs.AI
An elementary belief function logic
IRIT（图卢兹计算机科学研究所）；IIIA（人工智能研究所）；CSIC（西班牙国家研究委员会）
非加性不确定性理论，典型的可能性理论，信念函数和不精确概率与模态逻辑有一个共同的特征：可能性和必要性度量之间的对偶性，信念和可验证性函数之间的对偶性，以及上概率和下概率之间的对偶性，将可能性和必要性模态之间的对偶性扩展到分级环境。已经表明，可能性理论的全有或全无版本可以被最小认知逻辑（MEL）准确地捕获，该最小认知逻辑使用KD模态逻辑的一个非常小的片段，而不诉诸关系语义。此外，信念函数的情况下，已独立研究，和信念函数逻辑已获得通过扩展模态逻辑S5的分级模态使用Rukasiewicz逻辑，虽然使用关系语义。本文表明，一个更简单的信念函数逻辑，可以设计通过添加Jukasiewicz逻辑MEL的顶部。它允许在Shafer基本概率分配方面更自然的语义。
2023-03-23 cs.AI cs.LO
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。
2013-03-27 cs.AI
A Structurally and Temporally Extended Bayesian Belief Network Model: Definitions, Properties, and Modeling Techniques
University of Pittsburgh（匹兹堡大学）
我们开发了可修改的时间信念网络（MTBN）语言作为贝叶斯信念网络（BN）的结构和时间扩展，以促进不确定性下的规范性时间和因果建模。在本文中，我们提出了模型的定义，它的组件，它的基本属性。我们还讨论了如何表示各种类型的时间知识，重点是混合时间显式时间建模，动态结构，避免因果时间不一致，并处理涉及同时行动（决策）和因果和非因果关联的模型。我们研究BN，可修改的信念网络，MTBN与一个单一的时间粒度之间的关系，并建议适用于他们每一个的应用领域。
2013-02-13 cs.AI
Mean Field Theory for Sigmoid Belief Networks
我们开发了一个平均场理论的基础上，从统计力学的思想，S形信念网络。我们的平均场理论提供了一个易于处理的近似这些网络中的真实概率分布，它也产生了证据的可能性的下限。我们证明了这个框架的实用性在统计模式识别的基准问题-手写数字的分类。
1996-03-01 cs.AI
An Implementation of a Method for Computing the Uncertainty in Inferred Probabilities in Belief Networks
Illinois Institute of Technology（伊利诺伊理工学院）；Northeastern Illinois University（东北伊利诺伊大学）
近年来，信念网络已越来越多地用于人工智能中必须执行不确定推理的系统建模。在信度网络中开发有效的概率推理算法一直是人工智能研究的一个热点。已经开发了用于某些类别的信念网络的有效算法，但是报告推断概率中的不确定性的问题很少受到关注。系统不仅应该能够报告推断概率的值和/或决策的有利选择;它还应该报告推断概率和/或选择中可能的错误范围。两种方法已被开发和实施，用于确定置信网络中的推断概率的方差。本文对近似传播法和蒙特卡罗积分法进行了讨论和比较。
2013-03-06 cs.AI
Bayes-Ball: The Rational Pastime (for Determining Irrelevance and Requisite Information in Belief Networks and Influence Diagrams)
Stanford University（斯坦福大学）
信念网络和影响图的好处之一是，在图形结构中捕获了如此多的知识。特别是，条件无关性（或独立性）的陈述可以在图的大小的时间线性中得到验证。为了解决一个特定的推理查询或决策问题，只需要指定一些可能的状态和概率分布，即“必要信息”。本文提出了一种新的，简单的，有效的“贝叶斯球”算法，它非常适合新的学生的信念网络和国家的最先进的实现。贝叶斯球算法比现有方法更有效地确定不相关集和必要信息，并且在信任网络和影响图的图的大小上是线性的。
2013-01-30 cs.AI
Practical Issues in Constructing a Bayes' Belief Network
Carnegie Mellon University（卡内基梅隆大学）
贝叶斯信任网络和影响图是构建不确定知识的连贯概率表示的工具。构建这样一个网络来代表专家的知识的过程中，用来说明各种技术，可以促进结构化和量化不确定的关系的过程。这些包括“噪声“或”门“概念的一些概括。贝叶斯网络的通用元素的敏感性分析提供了洞察粗略的概率评估是足够的，当更高的精度可能是重要的。
2013-03-27 cs.AI
Constructing Situation Specific Belief Networks
Information Extraction and Transport, Inc.（信息提取与传输公司）；George Mason University（乔治梅森大学）
本文描述了一个过程，从网络片段的知识库构建特定情况下的信念网络。特定情境网络是一个最小的查询完全网络，它是根据给定证据和上下文变量的一组目标变量的概率分布的查询，从知识库中构造出来的。我们提出了查询完整性和特定情况的网络的定义。我们描述的知识库，保证查询的完整性条件。我们的工作，早期的工作KBMC的关系进行了讨论。
2013-01-30 cs.AI
Mean Field Methods for a Special Class of Belief Networks
Indian Institute of Science（印度科学学院）；National University of Singapore（新加坡国立大学）
本文的主要目的是提出一个广泛的类的信念网络，其中sigmoid和噪声或网络可以被看作是特殊情况下的平均场近似。近似是基于一个强大的平均场理论建议Plefka。我们表明，索尔，Jaakkola和约旦的方法是一阶近似Plefka的方法，通过变分推导。Plefka理论在信念网络中的应用在计算上是不容易处理的。为了解决这个问题，我们提出了新的近似基于泰勒级数。小规模实验表明，所提出的方案是有吸引力的。
2011-06-01 cs.AI
An Empirical Analysis of Likelihood-Weighting Simulation on a Large, Multiply-Connected Belief Network
Stanford University（斯坦福大学）
我们分析了似然加权算法的收敛特性的两级，多连接，信念网络表示的QMR知识库的内科。具体而言，在两个困难的诊断情况下，我们检查了马尔可夫毯评分，重要性采样的效果，证明马尔可夫毯评分和自我重要性采样显着提高我们的模型上的模拟的收敛性。
2013-03-27 cs.AI
A Stratified Simulation Scheme for Inference in Bayesian Belief Networks
Utrecht University（乌得勒支大学）
贝叶斯信念网络中概率推理的模拟方案提供了许多优于精确算法的优点;例如，这些方案具有线性和可预测的运行时间，而精确算法具有指数运行时间。实验表明，似然加权是最有前途的模拟方案之一。在本文中，我们提出了一种新的模拟方案，产生的样本更均匀地分布在样本空间比似然加权方案。我们从理论和实验上表明，分层方案优于似然加权平均运行时间和错误的信念估计。
2013-02-27 cs.AI
Entropy and Belief Networks
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
信网条件概率的乘积展开不是最大熵。这似乎否定了对模型的一种理想的保证。然而，可以导出一种几乎与最大熵一样强的保证。令人惊讶的是，变体模型也具有保证，并且在许多情况下获得比产品扩展更高的性能分数。
2013-03-13 cs.AI
Distributed Revision of Belief Commitment in Multi-Hypothesis Interpretations
UCLA（加利福尼亚大学洛杉矶分校）
本文扩展了信念网络的应用，包括信念承诺的修正，即，对一组假设的绝对接受，这些假设共同构成了对现有证据的最令人满意的解释。建立了非单调推理的一致性模型，提出了分布式信念修正算法。我们表明，在单连接网络中，最令人满意的解释可以找到在线性时间的消息传递算法类似于一个信念更新。在多连通网络中，问题可能是指数困难的，但如果网络是稀疏的，拓扑考虑可以用来使解释任务易于处理。一般来说，找到最可能的假设组合并不比计算任何单个假设的置信度更复杂。在医学诊断中的应用举例说明。
2013-03-27 cs.AI
Computational Advantages of Relevance Reasoning in Bayesian Belief Networks
University of Pittsburgh（匹兹堡大学）
本文介绍了一个计算框架推理贝叶斯信念网络，从集中推理和相关推理的显着优势。该框架基于d -分离和其他简单且计算效率高的技术，用于修剪网络中不相关的部分。我们的主要贡献是一种技术，我们称之为基于相关性的分解。基于相关性的分解方法通过关注大网络中的部分并将其分解为部分重叠的子网络来实现信念更新。这使得在一些棘手的网络中进行推理成为可能，此外，通常会导致显着的加速，因为更新所有子网所花费的总时间实际上通常比更新整个网络所花费的时间要少得多。我们报告的实证检验结果表明，我们的方法的实际意义。
2013-02-06 cs.AI
Kutato: An Entropy-Driven System for Construction of Probabilistic Expert Systems from Databases
Stanford University（斯坦福大学）
Kutterfly是一个系统，它将案例数据库作为输入，并生成一个信念网络，该网络捕获了这些数据所表示的许多依赖关系。该系统包括用于确定信任网络的熵的模块和用于基于熵计算来构建信任网络的模块。Kutato构建了一个初始信念网络，其中假设数据库中的所有变量都是边缘独立的。计算这个信念网络的熵，并添加使所得信念网络的熵最小化的弧。弧的条件概率直接从数据库获得。该过程继续，直到达到基于熵的阈值。我们已经通过使用概率逻辑抽样方法从网络生成数据库，然后使用这些数据库作为输入到Kubernetes来测试该系统。该系统始终以高保真度再现原始信念网络。
2013-03-27 cs.AI
On Heuristics for Finding Loop Cutsets in Multiply-Connected Belief Networks
针对多连通信度网络中求最小环割集的问题，提出了一种新的启发式算法。我们将此算法与[Suemmondt和Cooper，1988]中提出的算法进行比较。我们提供了这些算法的性能上的下限相对于彼此和相对于最佳的。我们证明，这个问题的启发式算法凸轮可以保证产生循环割集内的一个恒定的差异，从最佳的。我们讨论了基于随机生成的网络的实验结果，并讨论了未来的工作和开放的问题。
2013-03-27 cs.AI
Belief Maintenance in Bayesian Networks
McGill University（麦吉尔大学）；Universita di Pavia（帕维亚大学）
贝叶斯信度网络（Bayesian Belief Networks，BBN）是一种用于不确定性推理的强大形式，但也存在一些严重的局限性：在任何推理过程开始之前需要大量的信息，矛盾处理能力有限，对结论的解释能力仍存在争议。存在一类推理系统，称为真值维护系统（Truth Maintenance Systems，TMS），它们能够处理部分指定的知识，为它们的结论提供有根据的解释，并检测和处理矛盾。包含不确定性度量的TMS被称为信念维护系统（BMS）。本文介绍了如何BMS基于概率逻辑可以应用到BBN，从而引入了一类新的BBN，称为无知的信念网络，能够逐步处理部分指定的条件依赖，提供解释，并检测和处理矛盾。
2013-02-27 cs.AI
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。
2013-03-06 cs.AI
Constructing Belief Networks to Evaluate Plans
George Mason University（乔治梅森大学）；The MITRE Corporation（MITRE公司）
本文探讨了构建信任网络来评估基于知识的规划者所制定的规划的问题。提出了用于处理各种类型的复杂计划特征的技术。这些包括计划与上下文相关的后果，间接后果，行动的先决条件，必须是真的，在行动的执行过程中，突发事件，多层次的抽象多个执行代理与部分有序和时间重叠的行动，以及计划，其中引用特定的时间和持续时间。
2013-02-27 cs.AI
An Evaluation of an Algorithm for Inductive Learning of Bayesian Belief Networks Usin
University of Pittsburgh（匹兹堡大学）
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。
2013-02-27 cs.AI
Exploiting Causality for Selective Belief Filtering in Dynamic Bayesian Networks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Edinburgh（爱丁堡大学）
动态贝叶斯网络（DBNs）是一种研究状态部分可观测随机过程的通用模型。DBN中的信念过滤是基于不完整和噪声观测来推断信念状态（即过程状态的概率分布）的任务。在具有大状态空间的复杂过程中，这可能是一个难题。在这篇文章中，我们探索了通过自动利用过程中的因果关系来加速过滤任务的想法。我们考虑一种特定类型的因果关系，称为被动性，它涉及状态变量如何引起其他变量的变化。我们提出了基于被动性的选择性信念过滤（PSBF）方法，该方法保持了一个因子化的信念表示，并利用被动性对信念因子进行选择性更新。PSBF在一定的假设条件下产生精确的信念状态，否则产生近似的信念状态，其中近似误差由过程中的不确定性程度限制。我们的经验表明，在不同的大小和程度的被动的合成过程中，PSBF比几种替代方法更快，同时实现竞争力的准确性。此外，我们还演示了被动性如何在多机器人仓库等复杂系统中自然发生，以及PSBF如何利用这一点来加速过滤任务。
2016-04-25 cs.AI
Causality in Bayesian Belief Networks
Carnegie Mellon University（卡内基梅隆大学）
我们解决的问题的因果解释的贝叶斯信念网络（BBN）的图形结构。我们回顾了结构方程模型领域中因果关系的概念，并表明它适用于BBN。在这种观点中，我们称之为基于机制的，因果关系是在模型中定义的，当机制被放置在系统的上下文中时，因果不对称就会出现。我们奠定了结构方程模型和BBN模型之间的联系，并制定了条件下，后者可以给出因果解释。
2013-03-06 cs.AI
Query DAGs: A Practical Paradigm for Implementing Belief-Network Inference
我们描述了一个新的范例，用于实现推理的信念网络，它包括两个步骤：（1）编译一个信念网络到一个算术表达式称为查询DAG（Q-DAG）;（2）回答查询使用一个简单的评估算法。Q-DAG的每个节点代表一个数值运算、一个数字或一个符号作为证据。Q-DAG的每个叶节点代表网络查询的答案，即某些感兴趣事件的概率。看来，Q-DAG可以使用任何标准算法在信念网络中进行精确推理（我们展示了如何使用聚类和条件算法生成它们）。Q-DAG生成算法的时间和空间复杂度并不比它所基于的推理算法的时间复杂度差。Q-DAG求值算法的复杂度与Q-DAG的大小成线性关系，并且这样的推断相当于它所表示的算术表达式的标准求值。Q-DAG的预期价值在于减少在线、真实世界应用中利用信念网络所需的软件和硬件资源。由于Q-DAG评估算法的简单性，所提出的框架也有利于在不同的软件和硬件平台上开发在线推理。有趣的是，Q-DAG被发现用于其他目的：减少Q-DAG的简单技术往往会取代相对复杂的信念网络推理优化技术，如网络修剪和计算缓存。
1997-05-01 cs.AI
Learning Belief Network Structure From Data under Causal Insufficiency
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
虽然信念网络（联合概率分布的表示，见[3]）和因果网络（因果关系的表示[14]）旨在表示不同的事物，但它们是密切相关的。两者都假设变量之间的关系具有底层dag（有向无环图）结构，并且如果满足马尔可夫条件和忠诚条件[15]，则因果网络实际上是信念网络。在从数据中恢复信念网络和因果网络结构时，两者的区别就显现出来了。因果网络结构可能无法从数据中完全恢复，因为并非因果链接的所有方向都可以唯一确定[15]。幸运的是，如果我们处理因果关系充分的变量集（也就是说，只要观察中没有忽略重要的影响变量），那么就有可能识别因果网络所属的信念网络家族[16]。令人遗憾的是，据我们所知，类似的结果是不直接知道因果关系不充分的变量集。Spirtes，Gaviour和Scheines开发了一种CI算法来处理这种情况，但它留下了一些重要的问题。最大的开放问题是，双向边（即共同原因的指示）是否是从CI的乘积中开发信念网络所必需的唯一边，或者必须添加一些其他隐藏变量（例如通过猜测）。本文致力于解决这一问题。
2017-05-29 cs.AI
Localized Partial Evaluation of Belief Networks
University of Washington（华盛顿大学）
大多数通过信念网络传播证据的算法都是精确和详尽的：它们为网络中的每个节点产生精确的（点值）边际概率。然而，应用程序通常不需要网络中每个节点的信息，也不需要精确的概率。我们提出了本地化的部分评估（LPE）传播算法，它计算一个指定的查询节点的边缘概率通过检查在整个网络中的节点的一个子集的区间界限。从概念上讲，LPE忽略了网络中距离查询节点“太远”而对其值影响不大的部分。LPE具有“随时”属性，能够产生更好的解决方案（更紧密的间隔），给予更多的时间来考虑更多的网络。
2013-02-27 cs.AI
Knowledge Engineering for Large Belief Networks
Stanford University（斯坦福大学）
我们提出了几种技术的知识工程的大型信念网络（BN）的基础上，我们的经验与网络来自一个大型的医学知识库。noisyMAX是noisy-“或”门的推广，用于在具有多值变量的BN中对因果依赖进行建模。我们描述了使用泄漏概率来执行我们的模型中的封闭世界假设。我们提出了Netview，一个可视化工具的基础上的因果关系的独立性和使用泄漏概率。Netview软件允许知识工程师动态查看知识工程的子网，并提供编辑BN的版本控制。Netview生成子网络，其中泄漏概率动态更新以反映网络的缺失部分。
2013-02-27 cs.AI
Improved Mean and Variance Approximations for Belief Net Responses via Network Doubling
University of Alberta（阿尔伯塔大学）
贝叶斯信念网络模型的联合分布与有向无环图表示变量和网络参数之间的依赖关系表征条件分布。这些参数被视为随机变量，以量化其值的不确定性。信度网用于计算对查询的响应;即，兴趣的条件概率。查询是参数的函数，因此是随机变量。Van Allen等人（2001，2008）展示了如何通过方差的delta方法近似来量化查询的不确定性。我们开发更准确的近似查询均值和方差。其关键思想是将查询均值近似扩展到包含两个独立副本的“双重网络”。我们的方法假设完整的数据，可以应用于离散，连续和混合网络（提供离散变量只有离散的父母）。我们分析了几个改进，并提供实证研究，以证明其有效性。
2012-05-09 cs.AI
Hybrid Processing of Beliefs and Constraints
University of California, Irvine（加州大学欧文分校）
本文探讨了处理概率和确定性信息时，前者表示为一个信念网络和后者作为一组布尔子句的算法。激励任务是1。评估具有大量确定性关系的信念网络; 2.评估复杂布尔查询在信任网络上的概率。我们提出了一个参数化的家庭变量消除算法，利用这两种类型的信息，并允许不同程度的约束传播推断。该方案的复杂性由图{em增广}的诱导宽度控制，由布尔约束引入的依赖关系。初步的经验评估证明了约束传播对概率计算的影响。
2013-01-10 cs.AI
Belief Evolution Network-based Probability Transformation and Fusion
University of Electronic Science and Technology of China（电子科技大学）；Shannxi Normal University（陕西师范大学）；Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学）；ETH Zurich（苏黎世联邦理工学院）
Smets提出了Pignistic概率转换（PPT）作为可转移信念模型（TBM）中的决策层，该模型认为当没有更多信息时，我们必须使用概率质量函数（PMF）做出决策。通过在层次假设空间中引入因果关系，提出了信念进化网络和完全因果函数。基于BEN，我们解释的PPT从信息融合的观点，并提出了一种新的概率转换（PT）方法称为全因果概率转换（FCPT），它具有更好的性能下双准则评估。此外，我们还提出了一种新的基于FCPT的概率融合方法。与Dempster合并规则（DRC）相比，该方法在融合相同证据时具有更合理的结果。
2022-07-17 cs.AI
A Hybrid Algorithm to Compute Marginal and Joint Beliefs in Bayesian Networks and Its Complexity
贝叶斯网络中概率更新的精确算法一般有两种形式。第一种方法涉及使用结构，通常是团树，并执行基于本地消息的计算来提取每个变量的信念。第二类一般算法涉及使用非串行动态规划技术来提取对某些期望的变量组的信任。在本文中，我们提出了一种混合算法的基础上，后者的方法，但拥有检索的能力，在所有单变量的信念。该技术的优点在于，它节省了一个NP难的计算步骤，而不是使用每种类型的一个算法。此外，这种技术再次加强了Jensen和Jensen [JJ 94]的猜想，因为它仍然需要一个单一的NP-困难步骤来建立进行推理的结构，正如我们通过确认Li和D 'Ambrosio [LD 94]证明的OFP的NP-困难。
2013-01-30 cs.AI
GALGO: A Genetic ALGOrithm Decision Support Tool for Complex Uncertain Systems Modeled with Bayesian Belief Networks
Massachusetts Institute of Technology（麻省理工学院）
贝叶斯信念网络可以用来表示和推理具有不确定性、不完整性和冲突性信息的复杂系统。信度网络是对变量之间的概率依赖性和条件独立性进行编码和量化的图。在诊断中感兴趣的一种类型的推理被称为溯因推理（给定变量的任何部分子集的值，确定全局最可能的系统描述）。在某些情况下，溯因推理可以使用分布式网络计算的精确算法来执行，但它是一个NP难问题，并且复杂性随着无向循环、每个变量的离散状态数和网络中变量数的存在而急剧增加。本文介绍了一种近似方法的基础上遗传算法进行溯因推理的大型，多连接的网络，复杂性是一个问题时，使用最精确的方法和系统的搜索方法是不可行的。理论上的充分性的方法进行了讨论，并提出了初步的实验结果。
2013-03-06 cs.AI
Query DAGs: A Practical Paradigm for Implementing Belief Network Inference
Rockwell Science Center（罗克韦尔科学中心）
我们描述了一个新的范例，用于实现推理的信念网络，它依赖于编译一个信念网络到一个算术表达式称为查询DAG（Q-DAG）。Q-DAG的每个非叶节点表示一个数值运算、一个数字或一个符号作为证据。Q-DAG的每个叶节点代表网络查询的答案，即某些感兴趣事件的概率。看来，Q-DAG可以使用任何算法在信念网络中进行精确推理-我们展示了如何使用聚类和条件算法生成它们。Q-DAG生成算法的时间和空间复杂度并不比它所基于的推理算法的时间复杂度差; Q-DAG在线评估算法的时间复杂度在Q-DAG的大小上是线性的，并且这样的推理相当于它所表示的算术表达式的标准评估。Q-DAG的主要价值在于减少了在在线、真实世界应用中利用信念网络所需的软件和硬件资源。所提出的框架还有利于开发在线推理在不同的软件和硬件平台上，给出了简单的Q-DAG评估算法。本文描述了这种新的概率推理范式，解释了它是如何工作的，它的用途，并概述了它导致的一些研究方向。
2014-08-07 cs.AI
Ideal Reformulation of Belief Networks
Rockwell International Science Center（罗克韦尔国际科学中心）；Stanford University（斯坦福大学）
信念网络的智能重构可以大大提高推理的效率。然而，重构所花费的时间不可用于执行推理。因此，在时间压力下，需要在专门用于重新规划网络的时间和用于实施解决方案的时间之间进行权衡。我们调查这一分区的资源转化为时间适用于重新制定和时间用于推理。我们将首先描述计算不确定性下资源的理想划分的一般原理。这些原则适用于各种各样的问题，这些问题可以分为解决问题的相互依赖的阶段。之后，我们将介绍我们的实证研究的结果，确定理想的时间量，致力于寻找集群的信念网络的问题。在这项工作中，我们获得并利用了概率分布的特征（1）的性能替代启发式搜索方法重新制定一个网络实例到一组集团，和（2）的时间执行各种信仰网络的推理过程。给定一个偏好模型，该模型描述了作为其计算所需延迟的函数的解决方案的值，系统选择一个理想的时间致力于重新制定。
2013-03-27 cs.AI
Belief Update in CLG Bayesian Networks With Lazy Propagation
HUGIN Expert A/S（HUGIN Expert 公司）
近年来，具有连续和离散变量混合的贝叶斯网络（BN）受到了越来越多的关注。我们提出了一种结构的精确信念更新条件线性高斯贝叶斯网络（CLG BN）。该架构是使用Lauritzen & Jensen [6]和Cowell [2]的操作的惰性传播的扩展。通过将团和分离器潜力分解为因子集，所提出的架构利用了由图和证据的结构引起的独立性和不相关性。举例说明了由此产生的好处。初步的经验性能评估的结果表明，所提出的架构的显着潜力。
2012-06-27 cs.AI
Error Estimation in Approximate Bayesian Belief Network Inference
University of Cantabria（坎塔布里亚大学）；Utrecht University（乌得勒支大学）
我们可以在贝叶斯信念网络中进行推理，通过枚举具有高概率的实例，从而近似边缘。在本文中，我们提出了一种方法，用于确定必须考虑的实例化的分数，使得在边缘的绝对误差不超过一个预定义的值。该方法是基于极值理论。从本质上讲，所提出的方法使用反向广义帕累托分布建模低于给定阈值的实例化概率。基于该分布，如果忽略概率小于u的实例，则可以估计最大绝对误差。
2013-02-20 cs.AI
Optimal Monte Carlo Estimation of Belief Network Inference
Stanford University（斯坦福大学）
我们提出了两个蒙特卡罗抽样算法的概率推理，保证多项式时间收敛的一个更大的类的网络比目前的抽样算法提供。这些新方法是已知的似然加权算法的变体。我们使用最佳停止规则理论的最新进展，蒙特卡罗模拟，以获得一个推理近似的相对误差和一个小的失败概率δ。我们提出了一个实证评估的算法，证明其改进的性能。
2013-02-13 cs.AI
Identification and Interpretation of Belief Structure in Dempster-Shafer Theory
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
证据的数学理论也被称为Dempster-Shafer理论（DST），被认为是当知识以各种细节水平表达时的推理基础。尽管自该理论创立以来，人们对它进行了大量的研究，但仍有许多问题有待解决。其中最重要的一个悬而未决的问题似乎是频率和证据的数学理论之间的关系。该理论被指责将频率留在其框架之外（或旁边）。这种指责的严重性是显而易见的：（1）没有实验可以运行来比较基于DST的真实世界过程模型与真实世界数据的性能，（2）数据可能无法作为构建适当信念模型的基础。在本文中，我们开发了一个频率论解释的DST带来下降上述论点对DST。它的直接后果是开发自动从数据中获取DST信念模型的算法的可能性。我们提出了三个这样的算法的各种类别的信念模型结构：树结构的信念网络，多树信念网络和一般类型的信念网络。
2017-07-12 cs.AI
Simulation Approaches to General Probabilistic Inference on Belief Networks
Stanford University（斯坦福大学）；Rockwell International Science Center（罗克韦尔国际科学中心）
已经开发了许多算法来解决信念网络上的概率推理问题。这些算法可以分为两个主要的组：精确的技术，利用条件的独立性时，显示的图形结构是相对稀疏的，和概率抽样技术，利用“电导”的嵌入式马尔可夫链时，条件概率有非极值。在本文中，我们研究了一个家庭的“向前”蒙特卡洛抽样技术类似于逻辑抽样[Henrion，1988]，似乎表现良好，即使在一些多连接网络的极端条件概率，因此将普遍适用。我们考虑几个增强，减少后验方差使用这种方法，并提出了一个框架和标准，选择何时使用这些增强。
2013-03-27 cs.AI
Dempsterian-Shaferian Belief Network From Data
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
Shenoy和Shafer {Shenoy：90}证明了对于Dempster-Shafer理论和概率论，存在有效地计算联合置信分布的边缘（通过所谓的局部计算）的可能性，只要联合分布可以分解（因式分解）成置信网络。存在许多算法用于将概率联合信念分布从数据分解成baidu（信念）网络。例如，Spirtes，Gaviour和Schein{Spirtes：90 b}提出了一个猜想，即直接依赖测试和头对头会议测试足以以Pearl的d-分离概念{Geiger：90}适用的方式从数据中对网络进行分类。本文旨在将Spirtes，Gaviour和Scheines {Spirtes：90 b}方法转移到Dempster-Shafer理论（DST）的基础上。为此，利用{Klopotek：93 b}中开发的DST的频率论解释。DST的条件性的一个特殊的概念被引入，并证明了行为相对于珍珠的d-分离{盖革：90}的方式与条件概率（虽然一些差异，如非唯一性是显而易见的）。在此基础上，开发了类似于{Spirtes：90 b}的算法。引入了部分定向图的概念，并在此图中定义了p-d-分离的概念。如果直接相关检验和头对头会议测试被用来定向的POG，那么它的p-d-分离被证明是等效的Pearl的d-分离的任何兼容的DAG。
2018-06-06 cs.AI
Integrating Belief Domains into Probabilistic Logic Programs
University of Ferrara（费拉拉大学）；Coherent Knowledge, Inc.（coherent knowledge 公司）
本文提出基于信念函数的容量逻辑程序，扩展分布语义以处理信念不确定性，提升概率逻辑程序在处理复杂不确定性问题中的能力。
2025-09-23 cs.AI cs.LO
Laplace's Method Approximations for Probabilistic Inference in Belief Networks with Continuous Variables
Stanford University（斯坦福大学）；University of Sao Paulo（圣保罗大学）
拉普拉斯方法，一个家庭的渐近方法用于近似积分，提出了作为一个潜在的候选人的工具箱的技术用于知识获取和概率推理的信念网络与连续变量。在许多有趣的情况下，该技术以合理的精度近似后验矩和边缘后验分布[后验均值的误差为O（n^-2）]。该方法似乎也有前途的贝叶斯因子的计算近似的背景下使用的模型选择，模型的不确定性和混合PDF。拉普拉斯方法的实施的局限性，规律性条件和计算困难与最大似然和后验模式分析的方法相关联。
2013-02-27 cs.AI
Probabilistic Conceptual Network: A Belief Representation Scheme for Utility-Based Categorization
Stanford University（斯坦福大学）
概率概念网络是一种知识表示方案，用于基于效用的分类中的概念推理和分类抽象。该方案结合了人工智能的抽象和继承层次的形式主义，和决策分析的概率网络。它提供了一个表示概念知识、层次知识和不确定性的通用框架。它促进了在不同抽象层次上动态构建分类决策模型。该计划被应用到一个自动化加工问题的推理机器的状态在不同的抽象层次，以支持行动，以保持竞争力的工厂。
2013-03-06 cs.AI
