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
Reasoning and Facts Explanation in Valuation Based Systems
Institute of Computer Science Polish Academy of Sciences(波兰科学院计算机科学研究所)
在文献中,确定一组复合假设H的优化问题,这将产生$k$最大的$P(H|S_e)$,其中复合假设是网络中除证据节点\cite{KSy:93}之外的所有节点的实例化是非常感兴趣的。这个问题被称为“在贝叶斯信念网络中找到给定证据$S_e$的$k$最合理解释(MPE)”。寻找$k$最可能假设的问题通常是NP难的\cite{Cooper:90}。因此,在过去,已经研究了通过限制$k$(到1或2)、限制结构(例如到单连接网络)或将复杂度转移到空间域来对任务进行各种简化。本文提出了一种遗传算法来克服这些限制,同时通过将遗传算法方法推广到Dempster-Shafer信念演算领域,提出了一种从概率域跨出到一般的基于评估系统(VBS)框架的遗传算法。
2018-12-21 cs.AI
An Algorithm for Finding Minimum d-Separating Sets in Belief Networks
Universidad de Granada(格拉纳达大学)
在有向无环图(dags)中,检验图的独立性常用的准则是著名的d-分离准则。它允许我们以信念网络的形式构建依赖模型(通常是概率依赖模型)的图形表示,这使得独立关系的解释和管理变得可能,而无需参考数值参数(条件概率)。本文研究了如下组合问题:求dag中两个结点的最小d-分离集。这个集合将表示防止这两个节点相互影响所需的最小信息(在最小变量数量的意义上)。这个基本问题的解决方案和它的一些扩展可以在几个方面是有用的,我们将在后面看到。我们的解决方案是基于一个两步的过程:首先,我们减少了原来的问题,找到一个最小的分离集在一个无向图中的一个简单的,第二,我们开发了一个算法来解决它。
2013-02-13 cs.AI
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
Complexity Results and Approximation Strategies for MAP Explanations
University of California Los Angeles(加州大学洛杉矶分校)
MAP是找到一组给定证据的变量的最可能实例的问题。MAP一直被认为比计算变量实例化Pr的概率或计算最可能解释(MPE)的问题要困难得多。本文研究了贝叶斯网络中MAP的复杂性。具体来说,我们表明,MAP是完全的NP^PP,并提供进一步的负复杂性的结果,基于变量消除算法。我们还表明,MAP仍然很难,即使MPE和Pr变得容易。例如,我们表明,MAP是NP-完全的网络时,被限制为多树,即使这样也不能有效地近似。由于计算MAP准确的困难,以及近似MAP的困难,同时提供有用的保证所得到的近似,我们研究尽力而为的近似。我们介绍了一个通用的MAP近似框架。我们提供了两个实例的框架,一个网络是服从精确推理Pr,一个网络,甚至精确的推理是太难了。这允许MAP近似网络太复杂,甚至无法精确解决更简单的问题,Pr和MPE。实验结果表明,使用这些近似算法提供了比标准技术更好的解决方案,并在许多情况下提供准确的MAP估计。
2011-06-30 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
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
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
Practitioner Beliefs and Behaviors in AI-Enhanced Education: DOT Framework Survey Evidence
Curtin University(Curtin 大学);Georgia Tech Research Institute(佐治亚理工研究学院);Georgia Institute of Technology(佐治亚理工学院);University of North Texas(北卡罗来纳州立大学)
基于DOT框架,通过横截面调查(n=72)探究高等教育从业者对AI整合的信念、行为及制度条件,发现从业者支持AI教学辅助但强调人类监督,且设计导向实践与理论存在差距。
2026-11-17 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
Finding RELIEF: Shaping Reasoning Behavior without Reasoning Supervision via Belief Engineering
Department of Computing, The Hong Kong Polytechnic University(香港理工大学计算机系);Sun Yat-sen University(中山大学);Zhejiang University(浙江大学);WUST(华中科技大学)
本文提出RELIFF,通过信念工程无需推理监督塑造大型推理模型的行为,实验表明其在效率和忠实度任务上表现优异。
2026-01-20 cs.AI cs.CL
Interference Effects in Quantum Belief Networks
Instituto Superior Técnico(高等技术学院);INESC-ID
概率图模型(如贝叶斯网络)是计算机科学社区已知的用于导出概率推断的最强大的结构之一。然而,现代认知心理学已经揭示,人类的决策无法遵循经典概率论的规则,因为人类无法处理大量数据来做出判断。因此,所进行的推断是基于有限的数据加上几个推理,导致违反总概率定律。这意味着基于经典概率论的概率图模型太有限,无法完全模拟和解释人类决策的各个方面。量子概率论的发展是为了适应经典理论无法解释的矛盾发现。认知心理学的最新发现表明,量子概率可以在一个优雅的框架中完全描述人类的决策。他们的研究结果表明,在做出决定之前,人类的思想被视为叠加波,可以相互干扰,影响最终的决定。在这项工作中,我们提出了一个新的贝叶斯网络的基础上的心理认知科学家的发现。我们用文献中两个非常著名的贝叶斯网络做了实验。结果表明,量子贝叶斯网络可以极大地影响概率推理,特别是当网络的不确定性水平非常高时(没有观察到证据)。当不确定性水平非常低时,所提出的类量子网络就会坍缩到它的经典对应物。
2014-09-30 cs.AI
Solving MAP Exactly using Systematic Search
University of California(加利福尼亚大学)
MAP是在给定一些证据的情况下,在贝叶斯网络中找到一组变量的最可能实例的问题。与计算后验概率(MPE)(MAP的一种特殊情况)不同,MAP的结构解的时间和空间复杂度不仅在网络树宽中呈指数级,而且在一个更大的参数(称为“约束”树宽)中也呈指数级。在实践中,这意味着计算MAP可能比计算后验概率或MPE贵几个数量级。本文提出了一个新的,简单的上限的概率MAP解决方案,它允许之间的折衷的边界质量和所需的时间来计算它。该界被证明是一般更严格的比那些可比的复杂性的其他方法。我们使用这个建议的上限开发一个分支定界搜索算法求解MAP。实验结果表明,该搜索算法能够解决许多问题,是远远超出了任何基于结构的方法为MAP。例如,我们表明,该算法可以计算MAP的一些网络的约束树宽度大于40准确和有效的。
2012-10-19 cs.AI
Implementing a Bayesian Scheme for Revising Belief Commitments
Naval Research Laboratory(海军研究实验室);JAYCOR(JAYCOR公司);Defense Research Establishment Atlantic(大西洋国防研究机构)
我们以前对复杂船舶图像进行分类的工作[1,2]已经发展成为开发用于构建和解决通用分类问题的软件工具的努力。管理与特征数据和其他证据相关的不确定性是这项工作中的一个重要问题。管理不确定性的贝叶斯技术[7,12,13]已被证明对于管理分类问题解决的几个信念维护要求是有用的。其中一个要求是需要对所相信的东西作出定性的解释。Pearl [11]通过计算他所谓的信念承诺来解决这一需求,信念承诺是给定可用证据的所有假设变量的最可能实例。在计算信念承诺之前,Pearl的过程的直接实现涉及到找到一些通常困难的优化问题的解析解。我们描述了一个有效的实现这个过程中使用张量积,解决了这些问题,枚举,避免了个案分析的需要。因此,该程序在一般情况下使用起来更加实用。
2013-03-27 cs.AI
Finding Belief Geometries with Sparse Autoencoders
Independent Researcher(独立研究员);Simplex AI Safety
本文提出一种通过稀疏自编码器、k子空间聚类和AANet发现变换器表示中简单形结构子空间的管道,验证了在多部分隐藏马尔可夫模型训练的变换器中,Gemma-2-9B中存在候选简单形几何结构。
2026-04-03 cs.AI cs.LG
Why Is Diagnosis Using Belief Networks Insensitive to Imprecision In Probabilities?
Institute for Decision Systems Research(决策系统研究所);Stanford University(斯坦福大学);University of West Florida(西佛罗里达大学)
最近的研究发现,贝叶斯信念网络的诊断性能往往是令人惊讶的不敏感的数值概率的不精确性。例如,作者最近完成了一项广泛的研究,他们将随机噪声应用于一组用于医疗诊断的信念网络中的数值概率,CPCS网络的子集,QMR(快速医疗参考)的子集,专注于肝脏和胆汁疾病。根据分配给实际疾病的平均概率,诊断性能即使对大量噪声也表现出很小的灵敏度。在本文中,我们总结了这项研究的结果,并讨论了这种低敏感性的可能解释。一个原因是性能的标准是真实假设的平均概率,而不是概率的平均误差,这对对称噪声分布不敏感。但是,我们表明,即使是不对称的,loxos正常的噪音有适度的影响。第二个原因是黄金标准的后验概率通常接近于零或一,并且几乎不受噪声的干扰。
2013-02-13 cs.AI
Belief-Aware Multi-Agent Path Finding under Map Uncertainty
Symbotic Inc.(Symbotic公司);Massachusetts Institute of Technology(麻省理工学院)
针对地图不确定性下的多智能体路径规划问题,提出MAGIC框架,利用高斯马尔可夫随机场和高斯信念传播在线更新可通行性信念,构建绕行感知代价,在96.3%的实例上降低执行总代价,适用于大规模场景。
2026-10-01 cs.AI cs.MA cs.RO
Uncertainty measurement with belief entropy on interference effect in Quantum-Like Bayesian Networks
Northwestern Polytechnical University(西北工业大学);China Equipment System Engineering Company(中国装备系统工程公司)
社会困境一直被认为是进化博弈论的精髓,其中囚徒困境博弈是对合作问题最著名的隐喻。最近的研究发现,人们的行为违反了这类游戏中的“确定性原则”。经典的概率方法很难解释人们行为的潜在机制。本文提出了一种新的类量子贝叶斯网络来适应这一悖论现象。这种特殊的网络可以考虑干扰,这可能是一种有效的方式来描述底层机制。在此基础上,引入了信度熵,即邓熵,并提出了信度距离的概念。通过实证数据的检验,证明了该模型的预测性和有效性。
2017-09-08 cs.AI math.PR
Accelerating Exact and Approximate Inference for (Distributed) Discrete Optimization with GPUs
University of Michigan(密歇根大学);New Mexico State University(新墨西哥州立大学);University of California, Irvine(加利福尼亚大学尔湾分校)
离散优化问题是人工智能的核心问题。成本函数网络的聚合成本的优化出现在各种问题中,包括(W)CSP,DCOP,以及随机变量中的优化,例如在信念网络中找到最可能解释(MPE)的任务。基于推理的算法是解决离散优化问题的强大技术,可以单独使用或与其他技术结合使用。然而,它们的适用性往往受到其计算密集型性质和空间要求的限制。本文提出了一种新的推理为基础的技术,利用现代大规模并行架构,如图形处理单元(GPU),以加快精确和近似推理为基础的离散优化算法的分辨率的设计和实现。本文研究了所提出的算法在集中式和分布式优化上下文中。该文件表明,GPU的使用提供了显着的优势,在运行时间和可扩展性方面,实现了两个数量级的加速,并显示出相当大的减少执行时间(高达345倍的速度)相对于顺序版本。
2017-06-16 cs.AI cs.DC
Finding undetected protein associations in cell signaling by belief propagation
LBBE, CNRS UMR 5558, Université Lyon 1(里昂第一大学CNRS UMR 5558计算与进化生物学实验室);Microsoft Research New England(微软新英格兰研究院);Human Genetics Foundation(人类遗传学基金会);Politecnico di Torino(都灵理工大学);Université of Toulouse(图卢兹大学);UMR CNRS-INSA 5504(法国国家科学研究中心-图卢兹国立应用科学学院UMR 5504联合研究单位);INRA 792(法国国家农业研究院792研究单位)
外部信息主要通过信号级联和转录激活在细胞中传播,使其能够对广泛的环境变化做出反应。高通量实验确定了许多分子组成的级联反应,但可能通过未知的合作伙伴相互作用。它们中的一些可以使用来自蛋白质相互作用网络和mRNA表达谱的整合的数据来检测。这个推理问题可以映射到由这些数据集定义的网络中找到合适的最佳连通子图的问题。优化过程在一般情况下是计算上难以处理的。在这里,我们提出了一个新的分布式算法,为这项任务,从统计物理学的启发,并将此计划的α因子和药物扰动数据在酵母。我们确定了COS8蛋白的作用,这是一个以前未知功能的基因家族的成员,并通过遗传实验验证了结果。我们提出的算法是特别适合于非常大的数据集,可以并行运行,并可以适应其他问题的系统生物学。在著名的基准测试中,它优于该领域的其他算法。
2011-01-24 cond-mat.stat-mech cs.AI cs.CE
Maximum Weight Matching via Max-Product Belief Propagation
最大乘积“置信传播”是一种迭代的、局部的、消息传递算法,用于找到由图形模型指定的离散概率分布的最大后验(MAP)分配。尽管该算法在许多应用领域取得了惊人的成功,如迭代解码,计算机视觉和组合优化,其中涉及许多圈的图,理论结果的正确性和收敛性的算法是已知的在少数情况下(Weiss-Freeman Wainwright,Yeddidia-Weiss-Freeman,Richardson-Urbanke}。本文研究了在带权完全二部图中求最大权匹配的问题。我们定义了一个概率分布的二部图的MAP分配对应的MWM。我们使用最大乘积算法来找到这个分布的MAP,或者等价地,在二分图上的MWM。即使底层的二分图有许多短圈,我们发现,令人惊讶的是,最大积算法总是收敛到正确的MAP分配,只要MAP分配是唯一的。我们提供了一个约束的算法所需的迭代次数,并评估算法的计算成本。我们发现,对于一个图的大小$n$,该算法的计算成本的规模为$O(n^3)$,这是最有名的算法的计算成本相同。最后,我们建立了最大积算法和著名的{ \em拍卖}算法之间的精确关系。这表明离散优化问题的对偶算法和最大乘积算法之间可能存在联系。
2007-04-08 cs.AI cs.IT math.IT
Binary Diffing as a Network Alignment Problem via Belief Propagation
Université Paris 1 Panthéon-Sorbonne(巴黎第一大学);Quarkslab SA(Quarkslab公司);Université Paris-Dauphine, PSL University(巴黎第九大学)
在本文中,我们解决的问题,找到一个对应,或匹配,两个程序的功能之间的二进制形式,这是一个最常见的任务,在二进制差分。我们引入了一个新的配方,这个问题作为一个特殊的例子,图编辑问题的调用图的程序。在这个公式中,映射的质量是同时评估函数内容和调用图的相似性。我们表明,这种提法是相当于一个网络对齐问题。我们提出了一个解决这个问题的最大产品的信念传播的基础上的策略。最后,我们实现了我们的方法的原型,称为QBinDiff,并提出了一个广泛的评估表明,我们的方法优于最先进的差分工具。
2021-12-31 cs.AI cs.LG stat.ML
Can LLMs Emulate Human Belief Dynamics?
Department of Computer Science(计算机科学系);University of Rochester(罗切斯特大学);Department of Political Science(政治学系);Department of Physics and Astronomy(物理学与天文学系)
研究探讨了大型语言模型(LLMs)能否模拟人类在社交网络中形成和改变信念的过程,发现LLMs在初始信念分布和整体一致性方面表现不佳,并警告在社交模拟中使用LLMs作为人类代理的风险。
2026-05-05 cs.AI cs.CY cs.SI