用于船舶分类的贝叶斯信念网络中的扩展问题研究
人工智能
2013-03-08 v1
摘要
与扩展相关的问题涉及人工智能领域中活跃且具有挑战性的研究课题。目的是通过AI技术解决现实世界问题，在这些问题中，现实世界问题的表示复杂性可能是组合性的。在本文中，我们提出了一种新颖的方法来处理用于船舶分类的贝叶斯信念网络中的扩展问题。所提出的方法将复杂船舶分类问题的概念模型划分为一组小模块，这些模块协同工作以解决分类问题，同时保留原始模型的功能。解释某些特征的传感器返回（例如，证据）的可能方式，例如沿船长的舷窗，有时是组合性的。因此，使用穷举方法（需要枚举所有可能的解释）对于较大的问题是不切实际的。我们提出了一种网络结构（称为顺序分解，SD），其中每个观察都与一组合法结果相关联，这些结果与每个观察到的证据的解释一致。结果表明，SD方法允许以可管理的方式表示特征-观察关系，并实现与穷举方法相同的解释能力。
引用
@article{arxiv.1303.1457,
title = {A Study of Scaling Issues in Bayesian Belief Networks for Ship Classification},
author = {Scott A. Musman and L. W. Chang},
journal= {arXiv preprint arXiv:1303.1457},
year = {2013}
}
备注
Appears in Proceedings of the Ninth Conference on Uncertainty in Artificial Intelligence (UAI1993)