信念网络中最小假设分布传播
人工智能
2013-03-08 v1
摘要
随着信念网络被用于建模日益复杂的情境，从大型数据库中自动构建它们的需求将变得至关重要。本文专注于解决信念网络归纳问题的一部分：即在给定定性结构的情况下，学习定量结构（条件概率）。具体而言，提出了一种理论，展示了如何在信念网络中传播推理分布，其唯一假设是给定的定性结构是正确的。大多数推理算法必须至少做出这一假设。该理论基于四种网络变换，这些变换对于信念网络中的任何推理都是充分的。此外，文章声称与普遍看法相反，误差不一定会随着推理链的增长而增长。相反，对于从足够大的样本中归纳出的 QBN 信念网络，误差更有可能随着推理链规模的增加而减小。
引用
@article{arxiv.1303.1484,
title = {Minimal Assumption Distribution Propagation in Belief Networks},
author = {Ron Musick},
journal= {arXiv preprint arXiv:1303.1484},
year = {2013}
}
备注
Appears in Proceedings of the Ninth Conference on Uncertainty in Artificial Intelligence (UAI1993)