基于证据势的符号概率推理
人工智能
2013-03-26 v1
摘要
近期关于符号概率推理 (SPI) 算法的研究聚焦于解决贝叶斯网络中通用查询的重要性。SPI 将依赖导向的后向搜索概念应用于概率推理，并且针对查询和观测均具有增量性。响应此项研究，我们将证据势算法扩展了相同的特性，称之为符号证据势推理 (SEPI)。与 SPI 类似，SEPI 能够处理通用查询，并且针对查询和观测具有增量性。在 SPI 中，操作是在由原始网络节点构建的搜索树上进行的；而在 SEPI 中，从证据势算法获得的团树 (clique-tree) 结构是递归查询处理的基本框架。本文描述了 SEPI 的系统化查询与缓存过程。SEPI 始于从贝叶斯网络中寻找团树，这是证据势算法的标准过程。利用团树，计算并存储每个团中的各种概率分布，这是 SEPI 的“预处理”步骤。完成此步骤后，即可计算查询。处理查询时，使用类似于 SPI 算法的递归过程。查询被定向至根团，并分解为针对该团子树的查询，直到特定查询能在其指向的团处得到解答。该算法及其计算过程简洁明了。本文将展示 SEPI 算法及若干示例。
引用
@article{arxiv.1303.5713,
title = {Symbolic Probabilistic Inference with Evidence Potential},
author = {Kuo-Chu Chang and Robert Fung},
journal= {arXiv preprint arXiv:1303.5713},
year = {2013}
}
备注
Appears in Proceedings of the Seventh Conference on Uncertainty in Artificial Intelligence (UAI1991)