用于 BN20 网络近似推断的识别网络
人工智能
2013-01-14 v1
摘要
我们提出利用识别网络进行贝叶斯网络 (BN) 的近似推断。识别网络是一种多层感知机 (MLP)，经过训练后可根据特定 BN 中的观测证据预测后验边缘分布。MLP 的输入是证据节点状态的向量。输出单元的活动被解释为对相应变量的后验边缘分布的预测。该 MLP 使用从相应 BN 生成的样本进行训练。我们评估了一个经过训练以在大型贝叶斯网络中进行推断的识别网络，该网络在结构和复杂度上类似于快速医疗参考决策理论模型 (QMR-DT)。我们的网络是一个二值、两层、含噪声 OR 门 (noisy-OR) 的网络，包含超过 4000 个潜在可观测节点和超过 600 个不可观测的隐藏节点。在真实的医疗诊断中，大多数可观测项是不可用的，并且存在一种复杂且未知的偏差来选择提供哪些可观测项。我们在网络中纳入了一种非常基本的选择偏差类型：即已知可获得的观测值倾向于阳性而非阴性。即使这种简单的偏差也对后验分布有显著影响。我们将我们的识别网络的性能与一组大量测试用例中最先进的近似推断算法进行了比较。为了评估我们对选择偏差的简化模型的效果，我们在使用各种建模错误的观测偏差的情况下评估了这些算法。识别网络在使用正确和错误的观测偏差时均表现良好。
引用
@article{arxiv.1301.2295,
title = {Recognition Networks for Approximate Inference in BN20 Networks},
author = {Quaid Morris},
journal= {arXiv preprint arXiv:1301.2295},
year = {2013}
}
备注
Appears in Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence (UAI2001)