贝叶斯网络的细化与粗化
人工智能
2013-04-05 v1
摘要
在几乎所有态势评估问题中，随着评估的进行，动态地收缩和扩展所考虑的状态是有益的。收缩通常用于合并相似事件或低概率事件，以减少计算量。扩展通常用于区分那些具有显著概率且令人感兴趣的情形，以提高评估质量。尽管其他不确定性演算方法（ notably Dempster-Shafer [Shafer, 1976]）已探讨了这些操作，但针对贝叶斯网络（Bayesian Network）技术，尚未有任何关于状态空间细化与粗化的方法。本文提出了两种在贝叶斯网络中细化和粗化状态空间的操作。我们还讨论了它们对知识获取的实际意义。
引用
@article{arxiv.1304.1138,
title = {Refinement and Coarsening of Bayesian Networks},
author = {Kuo-Chu Chang and Robert Fung},
journal= {arXiv preprint arXiv:1304.1138},
year = {2013}
}
备注
Appears in Proceedings of the Sixth Conference on Uncertainty in Artificial Intelligence (UAI1990)