贝叶斯信念网络中相关性推理的计算优势
人工智能
2013-02-08 v1
摘要
本文介绍了一种用于贝叶斯信念网络推理的计算框架，该框架从聚焦推断和相关性推理中获得了显著优势。该框架基于 d-分离以及其他用于剪除网络中无关部分的简单且计算高效的技术。我们的主要贡献是一种称为基于相关性的分解的技术。基于相关性的分解通过聚焦于大型网络的部分并将其分解为部分重叠的子网络来处理信念更新。这使得在某些难处理网络中的推理成为可能，此外，通常还能带来显著的加速，因为在实践中更新所有子网络所需的总时间往往远少于更新整个网络所需的时间。我们报告了实证测试的结果，证明了我们方法的实际意义。
引用
@article{arxiv.1302.1558,
title = {Computational Advantages of Relevance Reasoning in Bayesian Belief Networks},
author = {Yan Lin and Marek J. Druzdzel},
journal= {arXiv preprint arXiv:1302.1558},
year = {2013}
}
备注
Appears in Proceedings of the Thirteenth Conference on Uncertainty in Artificial Intelligence (UAI1997)