IBIA：基于团树上增量构建-推断-近似操作的贝叶斯推断
人工智能
2022-08-11 v2
摘要
贝叶斯网络中的精确推断是难解的，且与对应团树（CT）中最大团的大小呈指数依赖关系，因此需要近似。基于因子的限制团大小方法比基于结构的方法更准确，但代价高昂，因为其涉及在大量候选结构或区域图中进行置信推断。我们提出一种基于增量构建-推断-近似（IBIA）范式的近似推断替代方法，该方法将贝叶斯网络转换为包含序列链接团树森林（SLCTF）的数据结构，其团大小由用户指定值限定。在该方法的增量构建阶段，只要团大小在指定界限内，就通过向 CTF 添加变量来增量构造 CTF。一旦达到团大小约束，CTF 中的 CT 在 IBIA 的推断阶段被校准。所得团置信在近似阶段用于获得团大小缩减的近似 CTF。该近似 CTF 构成序列中下一个 CTF 的起点。重复这些步骤直至所有变量被加入序列中的某个 CTF。我们证明，用于增量构造团树的算法始终生成有效 CT，且我们的近似技术保留团内变量的联合置信。基于此，我们展示 SLCTF 数据结构可用于分区函数及先验与后验边缘的高效近似推断。使用超过 500 个基准测试该方法，结果显示与其他近似方法相比误差显著减小，且运行时间具竞争力。
引用
@article{arxiv.2202.12003,
title = {IBIA: Bayesian Inference via Incremental Build-Infer-Approximate operations on Clique Trees},
author = {Shivani Bathla and Vinita Vasudevan},
journal= {arXiv preprint arXiv:2202.12003},
year = {2022}
}