Modelling Assessment Rubrics through Bayesian Networks: a Pragmatic Approach
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(达勒·莫勒人工智能研究所);SUPSI(瑞士南部应用科学大学);Department of Education and Learning (DFA)(教育与学习系)
本文提出基于贝叶斯网络和噪声门直接从评估量规构建学习者模型,以减少参数、简化专家获取并支持实时推理,从而快速自动化计算思维等任务的评估。
2024-08-02 cs.AI cs.CY
Global Sensitivity Analysis of Uncertain Parameters in Bayesian Networks
School of Science and Technology, IE University(科学技术学院,IE大学)
本文提出用基于方差的全局敏感性分析替代传统OAT方法,通过将参数不确定性编码为附加变量并结合低秩张量分解与Sobol方法,更准确地揭示贝叶斯网络中不确定参数及其交互作用的影响。
2024-06-09 cs.AI
Product risk assessment: a Bayesian network approach
Queen Mary University of London(伦敦玛丽女王大学);Agena Ltd(Agena有限公司)
产品风险评估是确定产品(从洗衣机到泰迪熊)是否被认为对消费者安全使用的整个过程。产品风险评估有多种方法,包括RAPEX,这是英国和欧盟监管机构使用的主要方法。然而,尽管它的广泛使用,我们确定RAPEX的几个局限性,包括有限的方法来处理不确定性和无法将因果解释使用和解释测试数据。相比之下,贝叶斯网络(BN)是一种严格的,规范的方法,用于建模不确定性和因果关系,已经用于医学和金融等领域的风险评估,以及一般的关键系统。本文提出了一个BN模型,它提供了一个改进的系统方法,解决了RAPEX的局限性的产品风险评估。我们使用我们提出的方法来证明一个泰迪熊和一个新的未经认证的水壶,没有测试数据和产品实例的数量是未知的风险评估。我们表明,虽然我们可以复制的RAPEX方法的结果,BN方法是更强大和灵活的。
2020-10-09 cs.AI stat.ME stat.ML
Sensitivity and robustness analysis in Bayesian networks with the bnmonitor R package
IE University(IE大学);Università di Bologna(博洛尼亚大学);Tesserwell, LLC(Tesserwell有限责任公司)
贝叶斯网络是一类广泛用于复杂操作系统风险评估的模型。现在有多种方法,以及实现的软件,通过数据学习或专家启发来指导它们的构建。然而,一个构建的贝叶斯网络需要验证之前,它可以用于实际的风险评估。在这里,我们举例说明了bnmonitor R包的用法:第一个用于贝叶斯网络验证的综合软件。使用bnmonitor的应用数据分析进行了医疗数据集,以说明其广泛的功能的使用。
2021-07-25 cs.AI stat.ME
Rubric-based Learner Modelling via Noisy Gates Bayesian Networks for Computational Thinking Skills Assessment
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(达勒·莫勒人工智能研究所);SUPSI(瑞士南部应用科学大学);USI(瑞士意大利语区大学);Department of Education and Learning (DFA)(教育与学习系)
本文提出基于噪声门贝叶斯网络的学习者建模方法,通过虚拟观测节点和双层门结构改进规则化技能评估,并在计算思维评估中验证其可行性。
2024-08-02 cs.AI cs.ET
A hybrid Bayesian network for medical device risk assessment and management
Queen Mary University of London(伦敦玛丽女王大学);Agena Ltd(阿格娜有限公司)
提出一种基于混合贝叶斯网络的医疗器械风险管理方法,克服FTA等传统方法在数据有限或存在二阶不确定性时的局限,并在除颤器设备上验证了其有效性。
2022-09-07 cs.AI cs.LG
The YODO algorithm: An efficient computational framework for sensitivity analysis in Bayesian networks
IE University(IE大学)
敏感性分析测量贝叶斯网络参数对网络定义的感兴趣数量的影响,例如变量取特定值的概率。已经定义了各种灵敏度度量来量化这种影响,最常见的是关于网络的条件概率的感兴趣的偏导数的量的函数。然而,在具有数千个参数的大型网络中计算这些度量可能在计算上变得非常昂贵。我们提出了一种算法结合自动微分和精确推理,有效地计算灵敏度措施,在一个单一的通过。它首先使用例如变量消除将整个网络边缘化一次,然后反向传播该操作以获得相对于所有输入参数的梯度。该方法可用于单方向和多方向的敏感性分析以及容许域的推导。仿真研究突出了我们的算法的效率,通过将其扩展到具有多达100'000个参数的大规模网络,并调查通用多路分析的可行性。我们的日常工作也在两个中型贝叶斯网络上进行了展示:第一个是对人道主义危机的国家风险进行建模,第二个是研究在COVID-19大流行期间技术的使用与强制社会隔离的心理影响之间的关系。使用流行的机器学习库PyTorch的方法的实现是免费的。
2023-02-01 cs.AI stat.ME
Learning the structure of Bayesian Networks: A quantitative assessment of the effect of different algorithmic schemes
Universitá degli Studi di Milano-Bicocca(米兰比可卡大学);NOVA Information Management School (NOVA IMS), Universidade Nova de Lisboa(里斯本大学学院NOVA信息管理学院);INESC Coimbra(科英布拉系统与计算机工程研究所);University of Coimbra(科英布拉大学);Stanford University(斯坦福大学)
采用贝叶斯网络(BN)时最具挑战性的任务之一是从数据中学习其结构。这个任务是复杂的巨大的搜索空间的可能的解决方案,并通过这个问题是NP难的事实。因此,完全枚举所有可能的解决方案并不总是可行的,往往需要近似。然而,据我们所知,定量分析的性能和特点的不同化学品来解决这个问题从来没有做过。出于这个原因,在这项工作中,我们提供了一个详细的比较,许多不同的国家的最先进的方法,结构学习的模拟数据,同时考虑BN与离散和连续变量,并与不同的噪声率的数据。特别是,我们调查的性能不同的广泛的分数和算法的推理和统计陷阱内提出的方法。
2018-08-03 cs.AI cs.LG stat.ML
Neuro-Bayesian-Symbolic Residual Attention Shallow Network: Explainable Deep Learning for Cybersecurity Risk Assessment
提出NBS-RASN混合架构,用80个可解释神经元和12层浅层网络,通过门控机制强制执行五个认识论公理,实现可分解的风险评分,在开源项目上验证置信度0.79-0.97。
2026-11-17 cs.AI cs.LG
Tail Sensitivity Analysis in Bayesian Networks
University of Cantabria(坎塔布里亚大学)
本文提出了一种模拟目标变量Z=h(X)的尾部的有效方法,它依赖于一组基本变量X=(X_1,.,. X_n)。为此,变量X_i,i=1,.,n以Z=h(x_1,...,x_i-1,X_i,.,X_n)保证在Z的尾部。当这种方法难以应用时,提出了一种替代方法,与蒙特卡罗方法相比,该方法导致样本值的拒绝比例较低。这两种方法被证明是非常有用的贝叶斯网络进行敏感性分析时,需要非常大的置信区间的边际/条件概率,如在可靠性或风险分析。当所有分数一致时,这些方法表现最好。所需的修改进行了讨论。文中给出了几个算例,并以一个实际案例说明了整个过程。
2013-02-13 cs.AI stat.AP
Assessment of System-Level Cyber Attack Vulnerability for Connected and Autonomous Vehicles Using Bayesian Networks
Benedict College(本尼迪克特学院);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Clemson University(克莱姆森大学)
本研究提出了一种方法来量化网络攻击的脆弱性及其影响的基础上概率图形模型的智能交通系统下连接和自动驾驶汽车的框架。基于选定的性能指标,计算智能信号和协同自适应巡航控制(CACC)应用的各种类型的网络攻击漏洞及其影响。数值算例表明,在平均交叉口排队长度,停车次数,平均速度和延误方面的脆弱性的影响。在具有和不具有冗余系统的信号化网络中,脆弱性可分别使平均队列和延迟增加$3\%$和$15\%$以及$4\%$和$17\%$。对于CACC应用,当少量速度信息被扰动时,影响水平平均达到$50\%$延迟差。当攻击者插入显著不同的速度特性时,延迟差增加到超过正常业务条件的$100\%$。
2020-11-18 cs.AI cs.CR cs.SY
Feature Importance in Bayesian Assessment of Newborn Brain Maturity from EEG
University of Bedfordshire(贝德福德大学)
应用贝叶斯模型平均(BMA)方法从睡眠脑电图中评估新生儿脑成熟度。从理论上讲,这种方法提供了对决策中不确定性的最准确评估。然而,现有的BMA技术已被证明在缺乏一些先验信息的情况下提供有偏差的评估,从而能够在合理的时间内详细探索模型参数空间。细节的缺乏导致从后验分布中不成比例地采样。在脑成熟度的EEG评估的情况下,BMA结果可能是有偏差的,因为缺乏关于EEG特征重要性的信息。在本文中,我们将探讨如何后验信息的EEG功能可以使用,以减少不成比例的采样对BMA性能的负面影响。我们使用睡眠新生儿记录的EEG数据来测试所提出的BMA技术的效率。
2010-02-24 cs.AI
A Heuristic Bayesian Approach to Knowledge Acquisition: Application to Analysis of Tissue-Type Plasminogen Activator
Stanford University(斯坦福大学)
本文描述了一种基于影响图的多元范式的启发式贝叶斯方法,用于从实验数据中计算概率分布。最后,通过一个实例说明了它在医疗技术评估中的应用。这种方法有利于整合不同研究的结果,并允许医学专家在没有大量统计培训的情况下进行适当的评估。
2013-03-27 cs.AI
Quasi-Bayesian Strategies for Efficient Plan Generation: Application to the Planning to Observe Problem
准贝叶斯理论使用概率分布和预期损失的凸集来表示对计划的偏好。该理论侧重于决策鲁棒性,即,计划受主观概率评估偏差影响的程度。目前的工作提出了解决方案的计划生成时,必须包括概率评估的鲁棒性:计划包含某些行动的鲁棒性的信息。令人惊讶的结果是,一些问题可以更快地解决在准贝叶斯框架内比通常的贝叶斯理论。我们研究这个问题的规划观察,即,代理必须决定是否采取新的观察。根本问题是:如何以及在多大程度上根据概率评估的稳健性来搜索“最佳”计划?计划生成算法的背景下,材料分类与声学机器人探头。通过匿名FTP可以获得构建准贝叶斯计划的软件包。
2013-02-13 cs.AI
Bayesian Assessment of a Connectionist Model for Fault Detection
Northeastern University(东北大学)
以前的论文[2]展示了如何生成线性判别网络(LDN),该网络通过使用称为口袋算法的感知器学习算法的修改来计算噪声故障检测问题的可能故障。在这里,我们比较了这个连接模型的性能与性能的最佳贝叶斯决策规则的例子,前面描述的。我们发现,对于这个特定的问题,连接主义模型执行约97%,以及最佳贝叶斯过程。然后,我们定义了一个更一般的类的嘈杂的单模式布尔(NSB)故障检测问题,每个故障对应于一个单一的:模式的布尔仪器读数和仪器是独立的噪音。这相当于指定仪器读数是概率性的,但在给定任何特定故障的情况下是有条件独立的。我们证明:1.每个NSB故障检测问题的最优贝叶斯决策规则可由不含中间结点的LDN表示。(This稍微扩展了Minsky & Selfridge首次发表的结果。2.给定一个NSB故障检测问题,那么在足够的迭代之后,口袋算法将以任意高的概率生成一个LDN,该LDN为该问题计算最优贝叶斯决策规则。在实践中,我们发现口袋算法的合理迭代次数会产生具有良好但不是最佳性能的网络。
2013-03-27 cs.AI
Rendering Transparency to Ranking in Educational Assessment via Bayesian Comparative Judgement
Bath Spa University(巴斯泉大学);Swansea University(斯旺西大学);University of Glasgow(格拉斯哥大学)
针对教育评估中比较判断的不透明问题,提出整合先验信息的贝叶斯比较判断方法,通过量化不确定性、支持多准则评估提升排名透明度,并结合真实数据集与从业者调研验证了其在教育场景的应用价值。
2025-03-17 cs.AI cs.CY cs.HC
BASIL: Bayesian Assessment of Sycophancy in LLMs
Northeastern University(东北大学);Johns Hopkins University(约翰霍普金斯大学);West Virginia University(西弗吉尼亚大学)
本文提出BASIL框架,通过贝叶斯方法区分LLM中的趋炎附势行为与理性信念更新,评估模型在不确定任务中的理性表现,展示校准和微调策略能有效减少贝叶斯不一致性。
2026-04-17 cs.AI cs.CL
Automated ARAT Scoring Using Multimodal Video Analysis, Multi-View Fusion, and Hierarchical Bayesian Models: A Clinician Study
University of Southern California(南加州大学)
本文提出一种自动化ARAT评分系统,融合多模态视频分析、多视角特征与分层贝叶斯模型,在脑卒中康复数据上实现89.0%验证准确率,并经临床医生验证其准确性与可用性。
2025-05-03 cs.AI cs.CV cs.HC