混合贝叶斯网络中时间受限近似推理的高斯混合缩减
人工智能
2019-05-21 v1
摘要
混合贝叶斯网络（HBNs）同时包含离散和连续变量，自然出现在许多应用领域（例如图像理解、数据融合、医学诊断、欺诈检测）。本文关注一类重要 HBN 子类——条件高斯（CG）网络中的推理，其中所有连续随机变量具有高斯分布，且连续随机变量的所有子节点必须为连续。即使在多树等特殊情况结构下，CG 网络中的推理也可能是 NP 难的，而离散贝叶斯网络中的推理可在多项式时间内完成。因此，需要近似推理。在近似推理中，常常需要在精度与求解时间之间进行权衡。本文提出了针对一般 CG 网络的混合消息传递推理算法的扩展，以及一种在计算时间受限条件下优化其精度的算法。扩展算法使用高斯混合缩减来防止高斯混合分量数量呈指数增长。权衡算法通过预处理为扩展算法寻找最优运行时设置。针对四个 CG 网络的实验结果与现有算法比较了扩展算法的性能，并展示了这些 CG 网络的最优设置。
引用
@article{arxiv.1806.02415,
title = {Gaussian Mixture Reduction for Time-Constrained Approximate Inference in Hybrid Bayesian Networks},
author = {Cheol Young Park and Kathryn Blackmond Laskey and Paulo C. G. Costa and Shou Matsumoto},
journal= {arXiv preprint arXiv:1806.02415},
year = {2019}
}