认知无关下的信度网络

认知无关下的信度网络是一种广义的贝叶斯网络，它放宽了其两个主要构建模块。一方面，允许局部概率被部分指定。另一方面，独立性评估不必精确成立。从概念上讲，这两个特征使认知无关下的信度网络成为贝叶斯网络的一种强大替代方案，为基于图的多变量不确定性建模提供了更灵活的方法。然而，在实践中，它们长期以来被认为在理论和计算上都很难处理。本文旨在证明这种看法不再成立。我们提供了对认知无关下信度网络的一般性介绍，概述了最新技术进展，并提出了若干新的理论结果。最重要的是，我们解释了如何组合这些结果以允许设计递归推理方法。我们提供了大量具体示例说明如何实现这一点，并借此证明在认知无关下使用信度网络进行计算绝对是可行的，并且在某些情况下甚至高效。我们还讨论了若干哲学方面，包括对称性的缺乏、如何处理概率零、下期望的解释、图oid性质的公理化地位，以及更新与条件化的区别。