为何基于信念网络的诊断对概率不精确性不敏感？
人工智能
2013-02-18 v1
摘要
近期研究发现，使用贝叶斯信念网络的诊断性能往往对数值概率的不精确性表现出令人惊讶的不敏感性。例如，作者最近完成了一项广泛研究，他们将随机噪声施加到一组用于医疗诊断的信念网络的数值概率上，这些网络包括CPCS网络的子集、专注于肝脏和胆道疾病的QMR（快速医学参考）子集。以分配给实际疾病的平均概率衡量的诊断性能，即使对大量噪声也表现出很小的敏感性。本文总结了该研究的发现，并讨论了这种低敏感性的可能解释。一个原因是性能准则是真实假设的平均概率，而非概率的平均误差，后者对对称噪声分布不敏感。但我们表明，即使是非对称的对数几率正态噪声也只有适度的影响。第二个原因是金标准后验概率常常接近零或一，受噪声干扰很小。
引用
@article{arxiv.1302.3582,
title = {Why Is Diagnosis Using Belief Networks Insensitive to Imprecision In Probabilities?},
author = {Max Henrion and Malcolm Pradhan and Brendan del Favero and Kurt Huang and Gregory M. Provan and Paul O'Rorke},
journal= {arXiv preprint arXiv:1302.3582},
year = {2013}
}
备注
Appears in Proceedings of the Twelfth Conference on Uncertainty in Artificial Intelligence (UAI1996)