• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Advanced methodologies for bayesian networks >Factorization of ZDDs for Representing Bayesian Networks Based on d-Separations
【24h】

Factorization of ZDDs for Representing Bayesian Networks Based on d-Separations

机译：基于d分离的贝叶斯网络表示ZDD的因式分解。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Multi-Linear Functions (MLFs) is a well known way of probability calculation based on Bayesian Networks (BNs). For a given BN, we can calculate the probability in a linear time to the size of MLF. However, the size of MLF grows exponentially with the size of BN, so the computation requires exponential time and space. Minato et al. have shown an efficient method of calculating the probability by using Zero-Suppressed BDDs (ZDDs). This method is more effective than the conventional approach of Darwiche et al. which encodes BNs into Conjunctive Normal Forms (CNFs) and then translates CNFs into factored MLFs. In this article, we present an improvement of Minato's method by factoring ZDDs of MLFs into more factored form utilizing weak divison operation based on d-separation structure of BNs.
机译：多线性函数（MLF）是一种基于贝叶斯网络（BN）的概率计算方法。对于给定的BN，我们可以在线性时间内计算出MLF大小的概率。但是，MLF的大小与BN的大小成指数增长，因此计算需要指数时间和空间。 Minato等。已经显示了通过使用零抑制BDD（ZDD）计算概率的有效方法。这种方法比Darwiche等人的常规方法更有效。可以将BN编码为合取范式（CNF），然后将CNF转换为分解的MLF。在本文中，我们通过基于BN的d分离结构的弱除法运算将MLF的ZDD分解为更分解的形式，从而对Minato方法进行了改进。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号