• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Scandinavian Conference on Artificial Intelligence >Probabilistic Inference in BN2T Models by Weighted Model Counting
【24h】

Probabilistic Inference in BN2T Models by Weighted Model Counting

机译：BN2T模型中的概率推断通过加权模型计数

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

摘要

Exact inference in Bayesian networks with nodes having a large parent set is not tractable using standard techniques as are the junction tree method or the variable elimination. However, in many applications, the conditional probability tables of these nodes have certain local structure than can be exploited to make the exact inference tractable. In this paper we combine the CP tensor decomposition of probability tables with probabilistic inference using weighted model counting. The motivation for this combination is to exploit not only the local structure of some conditional probability tables but also other structural information potentialy present in the Baysian network, like determinism or context specific independence. We illustrate the proposed combination on BN2T networks - two-layered Bayesian networks with conditional probability tables representing noisy threshold models.
机译：具有具有大父集的节点的贝叶斯网络的精确推断不使用标准技术进行交流，也不是结树方法或可变消除。然而，在许多应用中，这些节点的条件概率表具有比可以利用的局部结构，以使精确的推理易于制造。在本文中，使用加权模型计数，将概率表的CP张量分解与概率推断相结合。这种组合的动机是不仅利用一些条件概率表的局部结构，而且利用了贝斯安网络中存在的其他结构信息，例如确定主义或上下文的独立性。我们说明了BN2T网络上的建议组合 - 具有表示噪声阈值模型的条件概率表的两层贝叶斯网络。

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