基于扩展Shafer-Shenoy与惰性传播的多分块贝叶斯网络推理
人工智能
2013-01-30 v1
摘要
随着贝叶斯网络被应用于更大、更复杂的问题领域，寻求灵活的建模和更高效的推理方法是一项持续的努力。多分块贝叶斯网络（MSBNs）将贝叶斯网络的HUGIN推理扩展到一个用于灵活建模和分布式推理的连贯框架中。惰性传播以降低的空间复杂度扩展了Shafer-Shenoy和HUGIN推理方法。我们将Shafer-Shenoy和惰性传播应用于MSBNs中的推理。MSBN框架与惰性传播的结合为超大规模领域的建模和推理提供了更好的框架。它保留了MSBNs的建模灵活性，并降低了运行时空间复杂度，从而在相同计算资源下允许在更大领域进行精确推理。
引用
@article{arxiv.1301.6749,
title = {Inference in Multiply Sectioned Bayesian Networks with Extended Shafer-Shenoy and Lazy Propagation},
author = {Yanping Xiang and Finn Verner Jensen},
journal= {arXiv preprint arXiv:1301.6749},
year = {2013}
}
备注
Appears in Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence (UAI1999)