一种用于估计安全关键系统中决策不确定性的贝叶斯方法
人工智能
2010-12-03 v1
摘要
在安全关键工程应用中，决策的不确定性可以基于贝叶斯马尔可夫链蒙特卡洛（MCMC）技术通过对决策模型进行平均来估计。使用决策树（DT）模型有助于专家解释因果关系并找出不确定性的因素。当关于DT偏好结构的先验信息可用时，贝叶斯平均还能让专家准确地估计不确定性。然后，专家可以选择单个DT模型（通常是最大后验模型）用于解释目的。不幸的是，关于DT偏好结构的先验信息并非总是可用。为此，我们为贝叶斯MCMC技术提出了一种关于DT的新先验。我们还提出了一种选择单个DT的新程序，并描述了一个应用场景。在我们对短期冲突预警数据的实验中，我们的技术在所选单个DT的预测准确性上优于现有的贝叶斯技术。
引用
@article{arxiv.1012.0322,
title = {A Bayesian Methodology for Estimating Uncertainty of Decisions in Safety-Critical Systems},
author = {Vitaly Schetinin and Jonathan Fieldsend and Derek Partridge and Wojtek Krzanowski and Richard Everson and Trevor Bailey and Adolfo Hernandez},
journal= {arXiv preprint arXiv:1012.0322},
year = {2010}
}