信念函数传播：一种分布式方法
摘要
本文描述了一种仅利用局部计算在特定类型树中传播信念函数的方案。该方案推广了 Shafer 和 Logan 针对 Gordon 和 Shortliffe 所研究的诊断树提出的计算方案，以及 Shafer 针对分层证据提出的稍更通用的方案。它还推广了 Pearl 为贝叶斯因果树提出的方案（见 Shenoy 和 Shafer）。Pearl 的因果树与 Gordon 和 Shortliffe 的诊断树都是将涉及大问题的证据分解为涉及问题较小部分的较小证据项的方法，以便逐个处理这些小问题。这种努力的局部化对于使概率判断过程对进行判断的人和组合它们的机器都可行往往至关重要。我们方案的基本结构是一种推广了 Pearl 以及 Gordon 和 Shortliffe 树的树类型。此类通用树允许进行 Pearl 意义上的局部计算。它们基于条件独立性的定性判断。我们相信此处描述的方案将在专家系统中证明有用。现在很清楚，专家系统中概率或确定性因子的成功传播需要比纯产生式系统框架所能提供的更多的结构。另一方面，贝叶斯方案往往对结构提出不切实际的要求。在树及更通用网络中传播信念函数处于中间立场，可以完成一些合理且有用的工作。我们要强调的是，用于传播概率的局部计算基本思想归功于 Judea Pearl。这是一个非常创新的idea；我们不认为在 Pearl 的工作之前贝叶斯文献中存在此思想。我们将我们的贡献视为通过将 Pearl 的思想从贝叶斯概率推广到信念函数来扩展其有用性。在下一节中，我们将简要介绍信念函数。第三部分介绍了划分的定性独立性概念和定性 Markov 树。最后，在第四部分，我们描述了在定性 Markov 树中传播信念函数的方案。
引用
@article{arxiv.1304.3109,
title = {Propagation of Belief Functions: A Distributed Approach},
author = {Prakash P. Shenoy and Glenn Shafer and Khaled Mellouli},
journal= {arXiv preprint arXiv:1304.3109},
year = {2013}
}
备注
Appears in Proceedings of the Second Conference on Uncertainty in Artificial Intelligence (UAI1986)