• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Intelligent Agent Technology, IEEE/WIC/ACM International Conference on >Distributed learning of multi-agent causal models
【24h】

Distributed learning of multi-agent causal models

机译：多主体因果模型的分布式学习

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper we propose a distributed structure learning algorithm for the recently introduced multi-agent causal Models (MACMs). MACMs are an extension of causal Bayesian networks (CBN) to a distributed domain. In this setting it is assumed that there is no single database containing all the information of the domain. Instead, there are several sites holding non-disjoint subsets of the domain variables. At each site there is an agent capable of learning a local causal model. We study the possibility of combining the information of the local models into one globally consistent model. We propose an algorithm that yields the possibility to learn new local structures that can be combined to perform globally consistent causal inference.
机译：在本文中，我们针对最近推出的多主体因果模型（MACM）提出了一种分布式结构学习算法。 MACM是因果贝叶斯网络（CBN）到分布式域的扩展。在此设置中，假定没有单个数据库包含域的所有信息。取而代之的是，有几个站点保存着域变量的不相交子集。在每个站点都有一个能够学习本地因果模型的代理。我们研究了将局部模型的信息组合成一个全局一致的模型的可能性。我们提出了一种算法，该算法使得学习新的局部结构成为可能，这些新的局部结构可以组合起来执行全局一致的因果推断。

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