混合网络中的推断：理论极限与实用算法
人工智能
2013-01-14 v1
摘要
混合贝叶斯网络的一个重要子类是那些表示条件线性高斯 (CLG) 分布的网络——即对于离散变量的每个实例化，都有一个多元高斯分量。在本文中，我们探讨了 CLG 中的推断问题。我们表明，CLG 中的推断可能比贝叶斯网络中的推断显著困难。特别是，我们证明了即使将 CLG 限制为极其简单的多树结构，其中每个连续节点最多只有一个离散祖先，推断任务也是 NP 难的。为了应对 CLG 精确推断算法往往过高的计算成本，我们探讨了几种近似推断算法。这些算法试图寻找一小部分高斯分布，以很好地近似完整的混合分布。我们考虑了两种蒙特卡洛方法和一种按先验概率顺序枚举混合分量的新方法。我们在各种问题上了比较了这些方法，并表明我们的新算法对于大型混合诊断问题非常有前景。
引用
@article{arxiv.1301.2288,
title = {Inference in Hybrid Networks: Theoretical Limits and Practical Algorithms},
author = {Uri Lerner and Ron Parr},
journal= {arXiv preprint arXiv:1301.2288},
year = {2013}
}
备注
Appears in Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence (UAI2001)