利用因果性进行动态贝叶斯网络中的选择性信念滤波
人工智能
2016-04-26 v3
摘要
动态贝叶斯网络（DBNs）是描述具有部分可观测状态的随机过程的通用模型。DBN 中的信念滤波任务是基于不完整且含噪的观测来推断信念状态（即过程状态的概率分布）。对于具有大状态空间的复杂过程，这可能是一个难题。在本文中，我们探讨了通过自动利用过程中的因果性来加速滤波任务的想法。我们考虑一种称为被动性（passivity）的特定因果关系类型，它涉及状态变量如何引起其他变量的变化。我们提出了基于被动性的选择性信念滤波（PSBF）方法，该方法维护分解的信念表示，并利用被动性对信念因子执行选择性更新。PSBF 在某些假设下产生精确的信念状态，否则产生近似信念状态，其中近似误差由过程中的不确定性程度界定。我们在具有不同规模和被动性程度的合成过程中进行了实证展示，表明 PSBF 在保持具有竞争力的精度的同时，比几种替代方法更快。此外，我们展示了被动性如何自然地出现在多机器人仓库等复杂系统中，以及 PSBF 如何利用这一点来加速滤波任务。
引用
@article{arxiv.1401.7941,
title = {Exploiting Causality for Selective Belief Filtering in Dynamic Bayesian Networks},
author = {Stefano V. Albrecht and Subramanian Ramamoorthy},
journal= {arXiv preprint arXiv:1401.7941},
year = {2016}
}
备注
44 pages; final manuscript published in Journal of Artificial Intelligence Research (JAIR)