Bayesian 网络中的最相关解释
人工智能
2014-01-17 v1
摘要
Bayesian 网络中的一个主要推断任务是使用一组目标变量解释为什么某些变量被观测到处于其特定状态。解决此问题的现有方法通常生成的解释要么过于简单（欠定），要么过于复杂（过定）。在本文中，我们引入了一种称为最相关解释（MRE）的方法，该方法寻找目标变量的部分实例化，以最大化广义 Bayes 因子（GBF）作为对给定证据的最佳解释。我们的研究表明，GBF 具有几个理论性质，使 MRE 能够在形成其解释时自动识别最相关的目标变量。特别地，条件 Bayes 因子（CBF）被定义为新解释在给定现有解释条件下的 GBF，它为在给定现有解释的情况下，新解释中的变量在解释证据时的相关程度提供了一种软度量。因此，MRE 能够自动从其解释中修剪相关性较低的变量。我们还表明，CBF 能够很好地捕捉在 Bayesian 网络中经常被表示的 explaining-away 现象。此外，我们定义了候选解之间的两种支配关系，并使用这些关系将 MRE 推广以寻找一组既具有多样性又具有代表性的最佳解释。在几个基准诊断 Bayesian 网络上的案例研究表明，MRE 通常能够找到既精确又简洁的解释性假设。
引用
@article{arxiv.1401.3893,
title = {Most Relevant Explanation in Bayesian Networks},
author = {Changhe Yuan and Heejin Lim and Tsai-Ching Lu},
journal= {arXiv preprint arXiv:1401.3893},
year = {2014}
}