随机矩阵的直径：贝叶斯网络灵敏度分析的新度量
统计方法学
2024-07-08 v1 机器学习
摘要
贝叶斯网络是最广泛使用的概率模型之一，因其可解释性和灵活性而在风险管理和决策支持中广泛应用。在任何实际建模中，都关键在于评估对特定目标变量推断的鲁棒性如何随模型变化而变化。在贝叶斯网络中，这些分析归属于灵敏度分析范畴，通常通过 Kullback-Leibler 信息度量来量化不相似性。本文我们认为，基于熟悉的总变差距离的鲁棒性方法提供了对误规格化鲁棒性的简单且更有价值的界限，这些界限在形式上是可证明的且透明。我们引入一种称为直径的条件概率表中的新关联度量，以导出此类界限。该度量量化了变量与其父母之间的依赖强度。我们演示了如何将这些形式鲁棒性考虑嵌入贝叶斯网络的构建中。
引用
@article{arxiv.2407.04667,
title = {The diameter of a stochastic matrix: A new measure for sensitivity analysis in Bayesian networks},
author = {Manuele Leonelli and Jim Q. Smith and Sophia K. Wright},
journal= {arXiv preprint arXiv:2407.04667},
year = {2024}
}