加性信度网络模型
人工智能
2013-03-08 v1
摘要
概率推理固有的计算困难阻碍了信度网络在大规模领域中的应用。噪声 OR 门 [30] 和概率相似网络 [18, 17] 通过限制模型的表达能力来规避推理的复杂性。近期将信度网络模型应用于时间序列分析与预测 [9, 10] 的工作催生了加性信度网络模型（ABNM）。我们 (1) 讨论了信度网络加性分解所作近似的本质与影响，(2) 展示了在可用数据稀缺时加性模型归纳学习的高效性，(3) 推广了概率推理算法以利用 ABNM 的加性分解特性，(4) 证明了推理的高效性，以及 (5) 比较了使用简单加性信度网络进行推理的结果。
引用
@article{arxiv.1303.1464,
title = {Additive Belief-Network Models},
author = {Paul Dagum and Adam Galper},
journal= {arXiv preprint arXiv:1303.1464},
year = {2013}
}
备注
Appears in Proceedings of the Ninth Conference on Uncertainty in Artificial Intelligence (UAI1993)