Solving the Goddard problem by an influence diagram
Institute of Information Theory and Automation, Czech Academy of Sciences（捷克科学院信息理论与自动化研究所）
影响图是概率图模型的决策理论扩展。在本文中，我们将展示如何使用它们来解决戈达德问题。我们提出了这个问题的数值实验结果，并比较影响图提供的最优解的解决方案。
2017-03-21 cs.AI
Solving Hybrid Influence Diagrams with Deterministic Variables
University of Kansas（堪萨斯大学）；School of Business（商学院）
我们描述了一个框架和一个算法，用于解决离散，连续和确定性的机会变量，离散和连续的决策变量的混合影响图。如果影响图中的连续机会变量的条件分布方差为零，则称其为确定性的。该求解算法是Shenoy离散影响图融合算法的扩展。我们描述了一个扩展的Shenoy-Shafer架构的离散，连续和实用潜力的混合影响图，包括确定性的机会变量的传播。通过两个小例子说明了算法和框架。
2012-03-15 cs.AI
Information/Relevance Influence Diagrams
The University of Tampa（坦帕大学）
在本文中，我们扩展的影响图（ID）表示的不确定性下的决策。在标准ID中，指向决策节点的箭头只是信息性的;它们并不代表对决策者可以做什么的约束。我们只能间接地表示这样的约束，使用指向决策子项的箭头，有时还向影响图添加更多变量，从而使ID更加复杂。使用影响图的用户通常希望用箭头将约束表示为决策节点。我们通过允许相关性箭头进入决策节点来表示对决策的约束。我们称之为表示信息/相关性影响图（IRID）。信息/相关性影响图允许直接表示和规范的约束决策。我们使用随机动态规划和吉布斯抽样的组合来解决IRID。当求解ID的精确方法失败时，此方法特别有用。
2013-02-20 cs.AI
Hybrid Influence Diagrams Using Mixtures of Truncated Exponentials
University of Kansas（堪萨斯大学）
截断指数（MTE）势的混合是离散化的替代方案，用于表示影响图中的连续机会变量。此外，MTE潜力可以用来近似效用函数。本文介绍了MTE影响图，它可以表示决策问题没有限制的连续和离散的机会变量之间的关系，没有限制的连续机会变量的分布，并没有限制的效用函数的性质。在MTE影响图中，所有的概率分布和联合效用函数（或其乘法因子）由MTE势表示，并假设决策节点具有离散的状态空间。MTE影响图的求解采用了一种融合算法，通过变量消去法。
2012-07-12 cs.AI
The Complexity of Approximately Solving Influence Diagrams
IDSIA（IDSIA（瑞士人工智能研究所））
影响图可以直观而精确地描述涉及不确定性决策的复杂情况。不幸的是，影响图描述的大多数问题都很难解决。本文讨论了近似求解影响图的复杂性。我们不假设不遗忘或规律性，这使得我们解决的问题非常广泛。值得注意的是，我们表明，当树的宽度和基数的变量是有界的问题承认一个完全多项式时间近似计划。
2012-10-16 cs.AI
Strategy Selection in Influence Diagrams using Imprecise Probabilities
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文在信任网络算法的基础上，提出了一种新的求解影响图决策问题的算法。决策节点关联到不精确的概率分布和重新制定的介绍，发现全球最大的战略相对于预期的效用。我们使用有限内存影响图，它概括了大多数影响图建议并处理同时决策。除了全局最优方法，我们探索了一个随时近似的解决方案，保证最大误差，并表明不精确的概率处理在一个简单的方式。讨论了随机图的复杂性问题和实验以及基于效果的军事规划问题。
2012-06-13 cs.AI
Solving Limited-Memory Influence Diagrams Using Branch-and-Bound Search
Mississippi State University（密西西比州立大学）；Queens College/CUNY（皇后学院/纽约市立大学）
有限记忆影响图（LIMID）通过放松规则性和无遗忘性的假设来推广传统的影响图，允许更广泛的决策问题被建模。求解传统影响图的算法不容易推广到求解LIMID，然而，直到最近才开发出求解LIMID的精确算法。在本文中，我们介绍了一个精确的算法求解LIMID是基于分支定界搜索。我们的方法与通过将其转换为等效的决策树来解决影响图的方法有关，不同之处在于LIMID被转换为可以更有效地搜索的小得多的决策图。
2013-09-26 cs.AI
Order-of-Magnitude Influence Diagrams
IBM Research – Dublin（IBM研究院都柏林分部）；Cork Constraint Computation Centre（科克约束计算中心）；University College Cork（科克大学学院）
在本文中，我们开发了一个定性理论的影响图，可用于建模和解决顺序决策任务时，只有定性（或不精确）的信息。我们的方法是基于概率和效用的数量级近似的顺序，并允许通过设置效用值指定部分排序的偏好。我们还提出了一个专用的变量消除算法，可以应用于解决数量级的影响图。
2012-02-14 cs.AI
Influence diagrams for the optimization of a vehicle speed profile
Institute of Information Theory and Automation（信息理论与自动化研究所）；Czech Academy of Sciences（捷克科学院）
影响图是贝叶斯网络的决策理论扩展。它们适用于不同的决策问题。在本文中，我们应用影响图的车辆速度分布的优化。我们提出的计算实验的结果，其中的影响图被用来优化的速度曲线的一级方程式赛车在银石F1赛道。计算出的单圈时间和速度曲线与试飞员获得的曲线吻合得很好。我们的模型的扩展版本，考虑了更复杂的优化功能和不同的交通约束，目前正在测试车上的测试车由一家主要的汽车制造商。本文为影响图的新应用打开了大门。
2015-11-30 cs.AI
Solving Multistage Influence Diagrams using Branch-and-Bound Search
Mississippi State University（密西西比州立大学）
以前在文献中已经提出了一种求解影响图的分支定界方法，但似乎从未被实施和评估-显然是由于计算分支定界搜索的有效边界的困难。在本文中，我们描述了如何有效地计算有效的边界，我们开发了一个实际的实现的深度优先分支定界搜索的影响图评估，优于现有的方法，解决多阶段的影响图。
2012-03-15 cs.AI
Two Procedures for Compiling Influence Diagrams
George Mason University（乔治梅森大学）
两个算法提出了“编译”成一组简单的决策规则的影响图。这些决策规则定义了易于执行、完整、一致和接近最优的决策过程。这些编译算法可用于人类团队解决时间约束决策问题的决策过程。
2013-03-06 cs.AI
DAVID: Influence Diagram Processing System for the Macintosh
影响图是将不确定性表示为概率的有向图。该图区分了那些受决策者控制的变量（决策，如矩形所示）和那些不受决策者控制的变量（机会，如椭圆形所示），并明确表示解决方案的目标（价值，如圆角矩形所示）。
2013-03-27 cs.AI
Incremental computation of the value of perfect information in stepwise-decomposable influence diagrams
University of British Columbia（不列颠哥伦比亚大学）
为了确定影响图中完美信息的价值，首先需要修改图以反映信息可用性的变化，然后计算原始图和修改后的图的最佳期望值。完全信息的价值是两个最优期望值之差。本文讨论了如何利用原图最优期望值计算时得到的中间计算结果，加快修正图最优期望值的计算速度。
2013-03-06 cs.AI
From Influence Diagrams to Junction Trees
Aalborg University（奥尔堡大学）
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。
2013-02-27 cs.AI
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。
2013-02-06 cs.AI
MIDAS - An Influence Diagram for Management of Mildew in Winter Wheat
Aalborg University（奥尔堡大学）；Research Centre Foulum（福卢姆研究中心）
我们提出了一个原型的决策支持系统管理的真菌病害在冬小麦白粉病。原型是基于影响图，用于确定霉菌处理的最佳时间和剂量。这涉及随着时间的推移，随机性，不准确的信息和不完整的知识的多个决策机会。本文介绍了影响图的建设过程中遇到的实际和理论问题，也与原型的经验。
2013-02-13 cs.AI
Modeling AGI Safety Frameworks with Causal Influence Diagrams
DeepMind（深度思维）
安全AGI系统的建议通常是在框架级别提出的，具体说明拟议系统的组件应如何进行训练和相互作用。在本文中，我们建模和比较最有前途的AGI安全框架，使用因果影响图。图表显示了框架的优化目标和因果假设。统一的表示允许容易的比较框架和它们的假设。我们希望这些图表将作为主要AGI安全框架的可访问和可视化介绍。
2019-06-20 cs.AI
Constraining Influence Diagram Structure by Generative Planning: An Application to the Optimization of Oil Spill Response
SRI International（SRI国际）
本文通过优化现实世界的规划问题，与生成规划工具和影响图求解器相结合。该问题取自漏油应急响应领域的现有应用程序。规划代理管理的约束，命令组可行的设备使用行动。这是在一个中间的抽象层次映射到影响图。此外，规划器可以应用一个监视算子，确定状态的可观测性-石油的未知轨迹。不确定的世界状态和目标函数属性是影响图结构的一部分，但不表示在规划代理域。通过利用这种结构下产生的规划代理的约束，影响图解决方案的复杂性大大简化，并找到一个最佳的解决方案的就业问题的目标函数的基础上，找到这个最佳的是相当于同时评估的计划范围。这个结果是有界最优性的一个例子，在这个混合生成计划和影响图架构的限制。
2013-02-13 cs.AI
Solving Influence Diagrams using HUGIN, Shafer-Shenoy and Lazy Propagation
Hugin Expert（Hugin Expert公司）；Aalborg University（奥尔堡大学）
在本文中，我们比较了三种不同的架构的影响图的评估：HUGIN，Shafer-Shenoy，和懒惰的评估架构。在有限内存影响图（LIMID）上比较了这些体系结构的计算复杂性：LIMID图中只描述了计算最优策略所需的信息。由于LIMID中明确地表示了请求信息，因此评估可以利用它，并且可以获得显著的计算节省。在本文中，我们将展示如何获得的节省大大增加时，LIMID上执行的计算是根据懒惰的评估计划。
2013-01-10 cs.AI
A symbolic algebra for the computation of expected utilities in multiplicative influence diagrams
Universidade Federal do Rio de Janeiro（里约热内卢联邦大学）；Universita’ degli Studi di Genova（热那亚大学）；The University of Warwick（华威大学）
影响图为决策问题提供了一种简洁的图形表示。在文献中有几种算法可以快速计算它们的相关预期效用。然而，它们通常依赖于概率不确定性和效用值的全面量化。对于所有随机变量和决策空间都是有限和离散的问题，在这里，我们开发了一种符号化的方法来计算影响图的预期效用，不需要完整的数值表示。在这种方法中，预期效用对应于多项式族。在描述了它们的多项式结构之后，我们开发了一个有效的符号算法，用于通过图传播期望效用，并提供了一个使用计算机代数系统的算法的实现。然后，我们描述了许多标准的操作的影响图的多项式变换。我们还概括了这些图的决策分析框架，通过定义不对称的操作在预期的效用多项式。
2017-01-18 cs.AI
From influence diagrams to multi-operator cluster DAGs
LAAS-CNRS（法国国家科学研究中心自动系统分析与架构实验室）；INRA（法国国家农业食品与环境研究院）；ONERA（法国航空航天研究院）
存在几种使用局部计算来求解影响图的架构，例如Shenoy-Shafer、HUGIN或Lazy Propagation架构。他们都扩展了通常的变量消除算法由于使用所谓的“潜力”。在本文中，我们介绍了一种新的架构，称为多算子集群DAG架构，它可以产生分解与改进的约束诱导宽度，从而诱导潜在的指数收益。其原理是受益于影响图的复合性质，而不是使用统一的潜力，以便更好地分析问题结构。
2012-06-27 cs.AI
Evaluating influence diagrams with decision circuits
Stanford University（斯坦福大学）
虽然已经开发了一些相关的算法来评估影响图，利用图中的条件独立性，精确的解决方案仍然是棘手的许多重要问题。在本文中，我们引入决策电路作为一种手段，利用当地的结构通常发现的决策问题，并提高性能的影响图分析。这项工作建立在概率推理算法的基础上，使用算术电路来表示贝叶斯信念网络[Darwiche，2003]。一旦编译，这些算术电路有效地评估信念网络上的概率查询，并且已经开发了利用网络的全局和局部结构的方法。我们表明，决策电路可以以类似的方式构建，并承诺类似的好处。
2012-06-20 cs.AI
Stochastic Sensitivity Analysis Using Fuzzy Influence Diagrams
University of California, Berkeley（加州大学伯克利分校）
在决策分析文献中描述的随机敏感性分析的实践证明，需要考虑不确定性的精确点估计的偏差。我们建议使用贝叶斯模糊概率的影响图计算方案进行灵敏度分析的概率推理和决策问题的解决方案。与其他参数方法不同，该方案不需要解决问题的变化的概率点估计。我们声称，模糊影响图的解决方案提供了尽可能多的信息，经典的点估计方法加上有关随机敏感性的额外信息。以微机装配中的诊断决策为例说明了这一思想。我们声称，模糊影响图的解决方案提供了尽可能多的信息，经典的点估计方法加上额外的区间信息，是有用的随机敏感性分析。
2013-03-27 cs.AI
Probabilistic Inference in Influence Diagrams
Hong Kong University of Science & Technology（香港科技大学）
本文将影响图（ID）评估简化为贝叶斯网络（BN）推理问题。这种简化是有趣的，因为它使人们能够容易地使用自己喜欢的BN推理算法来有效地评估ID。以前已经提出了两种这样的简化方法（Cooper 1988，Shachter and Peot 1992）。本文提出了一种新的方法。新方法所引起的BN推理问题比前两种方法所引起的BN推理问题容易解决得多。
2013-01-30 cs.AI
Graph-Grammar Assistance for Automated Generation of Influence Diagrams
Stanford University School of Medicine（斯坦福大学医学院）
用决策分析术语对复杂困境进行建模的最困难的方面之一是从一组领域概念中组成相关关系图。然而，医学等领域的决策模型展示了某些可以指导建模过程的原型模式。医学概念可以根据语义类型进行分类，这些语义类型在影响图模型中具有特征位置和典型角色。我们已经开发了一个图形语法生产系统，使用这种内在的相互关系之间的医学术语，以促进医疗决策的建模。
2013-03-06 cs.AI
End-User Construction of Influence Diagrams for Bayesian Statistics
Johns Hopkins University（约翰斯·霍普金斯大学）；Stanford University（斯坦福大学）
影响图是贝叶斯统计模型的理想知识表示。然而，这些图对于最终用户来说难以解释和操作。我们提出了一个基于用户的架构，使最终用户创建和操纵的知识表示。我们使用的问题，医生的解释双臂平行随机临床试验（TAPRCT）来说明的架构和它的使用。有三种主要的数据结构。统计模型的元素被编码为影响图的限制类的子图。在TAPRCT问题中，这些元素的解释被映射到特定于域的基于用户的语义界面（称为患者流程图）中的用户语言中。在TAPRCT问题中，维护模型语义关系的统计模型的Pennitted变换被编码在元数据状态图中，称为队列状态图。运行系统的算法使用称为构造步骤的模块化操作。该框架已在一个名为THOMAS的系统中实现，该系统允许医生解释TAPRCT报告的数据。
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
Introducing Quantum-Like Influence Diagrams for Violations of the Sure Thing Principle
University of Leicester（莱斯特大学）；Instituto Superior Técnico（高等技术学院）；INESC-ID（葡萄牙信息与通信技术研究院）
这是这项工作的重点，扩展和研究以前提出的量子贝叶斯网络，以处理决策的情况下，将最大期望效用的概念，在影响图。一般的想法是利用类量子贝叶斯网络中产生的量子干涉项来影响用于计算某些行为的预期效用的概率。这样，我们就不是在提出一种新的期望效用假设。相反，我们把它保持在它的经典定义之下。我们只是将其作为概率图模型的扩展，用一种称为影响图的紧凑图形表示，其中效用函数取决于类量子贝叶斯网络的概率影响。我们的研究结果表明，拟议的量子影响图确实可以利用量子贝叶斯网络的量子干涉效应，以最大限度地提高效用的合作行为，在一个完全理性的缺陷行为下的囚徒困境游戏。
2020-12-29 cs.AI
Three new sensitivity analysis methods for influence diagrams
IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）；Stanford University（斯坦福大学）
使用决策电路框架对影响图进行灵敏度分析特别方便，因为每个参数的偏导数都很容易获得[Bhattacharjya和Shachter，2007; 2008]。在本文中，我们提出了三种非线性敏感性分析方法，利用这种偏导数信息，因此不需要重新评估的决策情况多次。具体来说，我们展示了如何在决策情况下有效地比较策略，对风险厌恶进行敏感性分析，并计算完美对冲的价值[Seyller，2008]。
2012-03-15 cs.AI
Tradeoffs in Constructing and Evaluating Temporal Influence Diagrams
University of Pennsylvania（宾夕法尼亚大学）
本文讨论了在使用概率网络表示（如影响图（ID））进行推理时需要考虑的权衡。特别是，我们研究所涉及的权衡使用时间影响图（TID），充分捕捉动态系统的时间演变，而不禁止的数据和计算要求。本文研究了三种不同的TID构造方法：（1）根据可用数据在每个时间间隔上对网络进行裁剪（而不是仅仅复制所有时间间隔的原始贝叶斯网络）;（2）对变量的简约子集的演变进行建模（而不是所有变量）;以及（3）模型选择方法，其寻求在不引入太多参数的情况下使模型的预测准确性的某些度量最小化，这可能导致模型的“过拟合”。提出了评估的准确性/效率的权衡的方法。
2013-03-06 cs.AI
Multi-objective Influence Diagrams
IBM Research – Ireland（IBM研究院（爱尔兰））；Cork Constraint Computation Centre（科克约束计算中心）；University College Cork（科克大学学院）
我们描述了多目标影响图，基于一组p个目标，其中效用值是Rp中的向量，并且通常仅部分排序。这些仍然可以通过变量消除算法来解决，从而得到一组期望效用的最大值。如果使用帕累托排序，这个集合通常会非常大。我们认为近似表示的帕累托集的基础上，电子覆盖，允许更大的问题得到解决。此外，我们定义了一种方法，将用户的权衡，这也大大提高了效率。
2012-10-16 cs.AI
A Complete Criterion for Value of Information in Soluble Influence Diagrams
University of Oxford（牛津大学）；DeepMind
影响图最近被用来分析AI系统的安全性和公平性。这种分析的一个关键组成部分是信息价值（VoI）的图形标准。本文建立了第一个完整的图形标准的VoI的影响图与多个决策。在此过程中，我们建立了两个重要的技术证明多决策影响图的属性：ID同态是影响图的结构保持变换，而系统树是捕获信息和控制如何在影响图中流动的路径的集合。
2022-02-23 cs.AI stat.ML
Value of Evidence on Influence Diagrams
AT&T Bell Laboratories（AT&T贝尔实验室）
在本文中，我们介绍了影响图的证据传播操作和证据价值的概念，它衡量了实验的价值。在基于影响图（广义贝叶斯网络）范式的规范化专家系统中，证据传播操作对于证据值的计算、一般更新和推理操作至关重要。证据的价值使我们能够直接计算结果敏感度、完全信息的价值和控制的价值，这些都用于决策分析（不确定性下的决策科学）。更具体地说，结果敏感性是证据价值之间的最大差异，完全信息价值是证据价值的期望值，控制价值是证据价值的最优值。我们还讨论了一个实现和一个相对的计算效率问题有关的价值的证据和价值的完美信息。
2013-02-27 cs.AI
Welldefined Decision Scenarios
影响图作为一个强大的工具，对称决策问题建模。在求解影响图时，我们为所涉及的决策确定一组策略。决策变量的策略原则上是其过去的函数。然而，过去的一些可能与决策无关，并且出于计算原因，重要的是不要处理策略中的冗余变量。我们表明，目前的方法（如“决策贝叶斯球”算法由Shachter UAI98）不确定相关的过去，我们提出了一个完整的算法。实际上，本文采取了一个更一般的开始：当制定一个决策方案的影响图，一个线性的时间顺序的决策变量是必需的。这个约束确保了决策场景的定义是明确的。然而，决策场景的结构通常会产生条件独立的某些决策，因此没有必要对决策施加线性时间排序。在本文中，我们处理部分影响图，即影响图，只有一个部分时间顺序指定。我们提出了一组必要和充分的条件，以确保部分影响图是定义良好的。这些条件被用来作为一个基础，用于构建一个算法，以确定是否部分影响图是明确的。
2013-01-23 cs.AI
Structural Controllability and Observability in Influence Diagrams
Stanford University（斯坦福大学）；IBM Almaden Research Center（IBM阿尔马登研究中心）
影响图是不确定性信念网络的图形表示。本文研究影响图中概率模型的结构性质。特别是，结构可控性定理和结构可观性定理的发展和算法制定。可控性和可观性是动态系统中的基本概念（Luenberger 1979）。可控性是指控制系统的能力，而可观性是指系统变量的可推断性。这两种性质都可以由系统矩阵的秩来确定。另一方面，结构可控性和可观测性只分析系统的结构，而不具体了解其元素的值（tin 1974，Shields and Pearson 1976）。结构分析探讨了模型的结构与其元素之间的功能依赖关系之间的联系。它通过挑战潜在的直觉和检测模型中的不一致性来理解问题和制定解决方案。这种类型的定性推理有时可以提供洞察力，即使在模型中没有足够的数值信息。
2013-03-13 cs.AI
Solving the Brachistochrone Problem by an Influence Diagram
Institute of Information Theory and Automation, Czech Academy of Sciences（捷克科学院信息理论与自动化研究所）
影响图是概率图模型的决策理论扩展。在本文中，我们将展示如何使用它们来解决Brachistochrone问题。我们给出了这个问题的数值实验结果，比较了由影响图提供的解与最优解。用于实验的R代码见附录。
2017-02-04 cs.AI math.OC
Unconstrained Influence Diagrams
Aalborg University（奥尔堡大学）
我们扩展的语言的影响图，以应付决策方案的决定和观察的顺序是不确定的。由于决策的顺序取决于证据，这种场景的步骤策略是下一个行动的相关选择序列。一个策略是一个分步策略，带有决策行动的选择函数。步骤策略的结构可以表示为具有用动作变量标记的节点的DAG。我们介绍了GS-DAG的概念：一个DAG纳入任何实例化的最佳步骤策略。我们给出了一种方法来构建GS-DAG，我们展示了如何使用GS-DAG确定一个最优策略。最后，我们讨论了如何分析相关的过去可以用来减少GS-DAG的大小。
2012-12-12 cs.AI
Intelligent Probabilistic Inference
Stanford University（斯坦福大学）
在计算机上分析实际的概率模型，需要一个方便的表示可用的知识和一个有效的算法来执行推理。影响图是一种很有吸引力的表示方法，它是一种网络，可以明确模型中的随机变量及其概率依赖关系。最近的进展已经开发了基于影响图的求解程序。在本文中，我们研究的基本属性，这些技术的基础上，和信息的概率结构，可在影响图表示。影响图是计算机处理的方便表示，同时也是清晰和非数学的。它精确地显示了概率依赖性，决策者和专家可以直观地理解和交流。因此，相同的影响图可用于构建、评估和分析模型，从而促进公式的变化和敏感性分析的反馈。本文的目标是从给定的概率模型确定任意的条件概率分布。给定关于模型中随机变量依赖性的定性信息，我们可以针对特定的条件表达式，精确地指定我们需要什么定量信息来确定所需的条件概率分布。它还表明，我们如何可以找到概率分布，通过执行本地操作，也就是说，在联合分布的子空间。通过这种方式，我们可以利用模型中存在的条件独立性，以避免构建或操作完整的联合分布。这些结果扩展到包括最大的处理时，可用的信息是不完整的，在不确定的环境中的最优决策。影响图作为一种计算机辅助建模工具，由Miller、Merkenstein和Howard [5]开发，并由Howard和Matheson [2]扩展。Owen [7]、Howard和Matheson [2]对如何在建模中使用它们进行了很好的描述。通过影响图解决决策问题的概念由O…
2013-03-27 cs.AI
Model-based Influence Diagrams for Machine Vision
Advanced Decision Systems（高级决策系统公司）；Stanford University（斯坦福大学）
我们展示了一种基于增量创建和评估一个特定的家庭的影响图，代表假设的图像解释和可能的后续处理决策的机器视觉系统的自动控制方法。在我们的方法中，基于模型的机器视觉技术与分层贝叶斯推理相结合，提供了一个框架，用于表示和匹配图像中的对象和关系的实例，并用于累积概率来排序冲突的场景解释。我们扩展了Tatman和Shachter的结果，表明在每个阶段从评估图得出的处理决策序列与通过评估包含视觉系统运行期间创建的所有随机变量的最终影响图得出的序列相同。
2013-03-27 cs.AI cs.CV
Understanding Agent Incentives using Causal Influence Diagrams. Part I: Single Action Settings
DeepMind
智能体是在环境中优化目标函数的系统。目标和环境一起引发了次要目标，即激励。使用因果影响图对代理人与环境的交互进行建模，我们可以直接从图中回答有关代理人激励的两个基本问题：（1）代理人可以观察哪些节点，以及（2）代理人可以激励哪些节点控制？答案告诉我们哪些信息和影响点需要额外的保护。例如，我们可能希望工作申请的分类器不使用候选人的种族，而强化学习代理不直接控制其奖励机制。不同的算法和训练范式可以导致不同的因果影响图，因此我们的方法可以用来识别有问题的激励算法，并帮助设计具有更好激励的算法。
2022-01-20 cs.AI cs.LG
Exploiting Model Equivalences for Solving Interactive Dynamic Influence Diagrams
Aalborg University（奥尔堡大学）；University of Georgia（佐治亚大学）
我们专注于在部分可观察的环境中与其他代理的不确定类型具有类似或冲突的目标共享的顺序决策的问题。这个问题以前已经正式由多个框架，其中之一是交互式动态影响图（I-DID），它概括了众所周知的影响图的多智能体设置。I-DID是图形模型，可用于计算代理的策略，给定其对物理状态和其他模型的信念，其随着代理在多代理设置中的行为和观察而变化。正如我们所料，解决I-DID在计算上是困难的。这主要是由于归因于其他代理的候选模型的大空间及其随时间的指数增长。我们提出了两种方法来减少模型空间的大小，并阻止其指数增长。这两种方法都涉及将单个模型聚合到等价类中。我们的第一种方法将行为等价的模型分组在一起，只选择那些在更新后的模型空间中会产生与其他模型不同的预测行为的模型进行更新。第二种方法通过关注行为预测的部分来进一步压缩模型空间。具体来说，我们集群动作等效模型，规定在一个单一的时间步相同的行动。准确地识别等价性需要我们求解初始集合中的所有模型。我们通过选择性地求解某些模型来避免这种情况，从而引入近似值。我们讨论了近似引入的误差，并实证证明了由于等价性而提高了求解I-DID的效率。
2014-01-18 cs.AI
Representing and Solving Asymmetric Bayesian Decision Problems
Aalborg University（奥尔堡大学）
本文讨论了非对称贝叶斯决策问题的表示和求解。我们提出了一个正式的框架，称为非对称影响图，这是基于影响图，并允许非对称决策问题的有效表示。与现有的框架相反，非对称影响图主要在定性层面对非对称性进行编码，因此可以直接从模型中读取。给出了一个求解非对称影响图的算法。该算法首先将非对称决策问题分解成一个结构的对称子问题组织成一棵树。然后，可以通过使用现有的评估方法从叶子向根传播来解决子问题，从而找到决策问题的解决方案。
2013-01-16 cs.AI
A Decision-Based View of Causality
Microsoft Research（微软研究院）
大多数传统的不确定性模型都集中在条件依赖所捕获的变量之间的关联关系。然而，为了成功地管理决策智能系统，我们必须能够预测行动的影响。在本文中，我们试图联合两个分支的研究，解决这样的预测：因果建模和决策分析。首先，我们提供了一个定义的因果关系的决策分析方面，我们来自因果关系的文献中引用的后果。使用这个定义，我们展示了因果依赖如何在影响图中表示。特别是，我们确定了两个不足之处，一个普通的影响图作为一个代表的原因。我们引入一类特殊的影响图，称为因果影响图，纠正这些问题之一，并确定其他不足的情况下，可以消除。此外，我们描述了霍华德标准形式和现有的图形表示的原因之间的关系。
2015-05-16 cs.AI
Reasoning with Contextual Knowledge and Influence Diagrams
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Milano-Bicocca（米兰比可卡大学）
影响图（ID）是众所周知的形式主义扩展贝叶斯网络模型的决策情况下的不确定性。虽然他们是方便的决策理论工具，他们的知识表示能力是有限的，在捕捉其他关键的概念，如逻辑一致性。我们补充ID与轻量级的描述逻辑（DL）EL，以克服这些限制。我们考虑一个DL公理在某些上下文中成立的设置，但实际的上下文是不确定的。该框架受益于使用DL作为领域知识表示语言的便利性和ID的建模强度，以处理在上下文存在不确定性的情况下的决策。我们定义了相关的推理问题，并研究了它们的计算复杂性。
2020-07-01 cs.AI cs.LO
Reward Tampering Problems and Solutions in Reinforcement Learning: A Causal Influence Diagram Perspective
Google（谷歌公司）
人类能让任意有能力的强化学习（RL）代理来执行他们的命令吗？或者，有足够能力的RL代理总是能找到方法通过缩短奖励信号来绕过他们的预期目标？这个问题影响到RL可以扩展到多大程度，以及是否必须开发替代范式以构建安全的通用人工智能。在本文中，我们研究了当RL代理有一个工具目标篡改其奖励过程，并描述了设计原则，防止工具目标的两种不同类型的奖励篡改（奖励功能篡改和RF输入篡改）。结合起来，设计原则可以防止这两种类型的奖励篡改工具的目标。分析受益于因果影响图，提供直观而精确的形式化。
2021-03-26 cs.AI cs.LG
Equilibrium Refinements for Multi-Agent Influence Diagrams: Theory and Practice
University of Oxford（牛津大学）；DeepMind（深度思维）
多智能体影响图（MAID）是一种流行的图形模型形式，对于某些类别的游戏，它已被证明比传统的扩展形式游戏（EFG）表示提供关键的复杂性和可解释性优势。在本文中，我们通过引入MAID子博弈的概念，以及子博弈完美和颤抖的手完美均衡的改进，扩展了以前的工作。然后，我们证明了MAIDS和EFG之间的几个等价结果。最后，我们描述了一个开源的实现推理MAID和计算其平衡。
2021-02-09 cs.AI cs.GT cs.MA
Efficient Inference on Generalized Fault Diagrams
Stanford University（斯坦福大学）；Duke University（杜克大学）；Strategic Decisions Group（战略决策集团）
定义了基于影响图的故障分析数据结构-广义故障图。与故障树不同，这种结构允许基本事件和复制的逻辑元素之间的依赖性。一个启发式的程序开发这些结构的有效处理。
2013-03-27 cs.AI
Solving Limited Memory Influence Diagrams
我们提出了一个新的算法，精确求解决策问题的影响图。我们不需要通常的无遗忘和规律性的假设;这使我们能够在同时决策和有限信息的情况下解决问题。经验表明，该算法优于一个国家的最先进的算法上随机生成的问题多达150个变量和$10^{64}$的解决方案。我们发现，即使问题的基本图形结构具有小的树宽和变量采取有限数量的状态，但一个完全多项式时间的近似方案存在这些情况下，问题是NP-难的。此外，我们还证明了态数的界是任何有效近似方案的必要条件。
2011-09-09 cs.AI cs.CC stat.ML
Networks of Influence Diagrams: A Formalism for Representing Agents' Beliefs and Decision-Making Processes
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；Harvard School of Engineering and Applied Sciences（哈佛大学工程与应用科学学院）
本文介绍了网络的影响图（NID），一个紧凑的，自然的和高度表达的语言推理代理的信念和决策过程。NID是一种图形结构，其中代理的心智模型被表示为网络中的节点;代理的心智模型本身可以使用其他代理的心智模型的描述。NID的例子证明，显示它们如何可以用来描述冲突和循环的信念结构，以及某些形式的有限理性。在对手建模领域，NID能够胜过其他计算代理，其策略事先不知道。NID在表示上等同于贝叶斯博弈，但它们比这种形式主义更紧凑和结构化。特别是，NID的均衡定义明确区分了代理商的最优策略和它们在现实中的实际行为。
2014-01-15 cs.AI cs.GT
An Influence Diagram-Based Approach for Estimating Staff Training in Software Industry
DAV College（DAV学院）；Florida A&M University（佛罗里达农工大学）；MLUDAV College（MLUDAV学院）
软件开发过程的成功完成取决于项目经理的分析能力和预见性。对于项目经理来说，主要的有趣任务是管理风险因素，因为它们会对完成期限产生不利影响。其中一个关键风险因素是工作人员培训。这一因素的风险可以通过预先判断工作人员所需的培训量来避免。因此，需要一个程序来帮助项目经理做出这个决定。本文提出了一个系统，使用影响图来实现风险模型，以辅助决策。该系统还根据各种风险因素，如㈠缺乏项目软件经验; ㈡新任命的工作人员; ㈢工作人员不熟悉所要求的质量标准; ㈣缺乏项目环境经验，考虑开展培训的费用。该系统在软件开发项目开始时提供工作人员培训的估计需求细节。
2010-08-25 cs.AI cs.SE
Team Behavior in Interactive Dynamic Influence Diagrams with Applications to Ad Hoc Teams
University of Georgia（佐治亚大学）；Teesside University（提赛德大学）；Queen’s University Belfast（贝尔法斯特女王大学）
特别团队的规划是具有挑战性的，因为它涉及代理在没有任何事先协调或沟通的情况下进行协作。重点是原则性的方法，为一个单一的代理人与他人合作。这激发了在个人决策框架的背景下调查特设团队合作问题。然而，在多智能体环境中的个人决策面临的任务是必须对其他智能体的行为进行推理，这反过来又涉及对他人的推理。一个已建立的近似操作这种方法是从下面的无限嵌套引入0级模型。我们表明，有限嵌套建模的后果是，我们可能无法获得最佳的团队合作设置的解决方案。我们通过包括0级模型来解决这个限制，这些模型的解决方案涉及学习。我们证明，学习集成到规划的背景下，互动的动态影响图促进最佳的团队行为，并适用于特设团队合作。
2014-09-01 cs.AI cs.MA
On Imperfect Recall in Multi-Agent Influence Diagrams
University of Oxford（牛津大学）；Imperial College London（伦敦帝国理工学院）
本文针对不完全回忆下行为策略纳什均衡可能不存在的问题，提出用混合策略和两种相关均衡求解多智能体影响图，并分析其计算复杂度及应用场景。
2023-07-11 cs.AI cs.GT cs.MA
Multi-Agent Influence Diagrams to Hybrid Threat Modeling
The Hague Centre of Strategic Studies（海牙战略研究中心）；LIACS；Leiden University（莱顿大学）
本文提出利用多智能体影响图框架统一混合威胁建模方法，通过模拟攻击与防御智能体的互动评估五种反混合威胁措施的有效性及参数影响。
2026-03-03 cs.AI cs.MA econ.EM
