贝叶斯网络的增量编译
人工智能
2012-12-12 v1
摘要
大多数贝叶斯网络中的精确概率传播方法并非直接在网络上进行推理，而是在称为联结树（junction tree）或连接树（join tree, JT）的辅助结构上进行。获得 JT 的过程通常称为编译。由于编译通常被视为一个整体过程，因此每次修改网络时，都必须执行新的编译过程。关于重用现有 JT 以仅针对网络修改部分获得新 JT 的可能性，文献中鲜有关注。在本文中，我们提出了一种遵循经典方案（其中三角化起关键作用）的贝叶斯网络增量编译方法。为了执行增量编译，我们建议仅重新编译 JT 中可能受网络修改影响的部分。为此，我们利用最大素子图分解（maximal prime subgraph decomposition）技术来确定必须重新编译的最小子图，从而确定应由新子树替换的 JT 的最小子树。我们专注于结构修改：链接和变量的添加与删除。
引用
@article{arxiv.1212.2456,
title = {Incremental Compilation of Bayesian networks},
author = {Julia M. Flores and Jose A. Gamez and Kristian G. Olesen},
journal= {arXiv preprint arXiv:1212.2456},
year = {2012}
}
备注
Appears in Proceedings of the Nineteenth Conference on Uncertainty in Artificial Intelligence (UAI2003)