论最可能解释的鲁棒性
人工智能
2012-07-02 v1
摘要
在贝叶斯网络中，最可能解释（MPE）是在给定当前证据下具有最高概率的完整变量实例化。在本文中，我们讨论了在单参数变化下寻找 MPE 鲁棒性条件的问题。具体而言，我们提出这样一个问题：在保持 MPE 不变的前提下，单个网络参数可以承受多大程度的变化？我们将描述一种首创的计算过程，该过程能在 O(n exp(w)) 时间内为贝叶斯网络中的每个参数计算出此答案，其中 n 是网络变量的数量，w 是其树宽。
引用
@article{arxiv.1206.6819,
title = {On the Robustness of Most Probable Explanations},
author = {Hei Chan and Adnan Darwiche},
journal= {arXiv preprint arXiv:1206.6819},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Second Conference on Uncertainty in Artificial Intelligence (UAI2006)