[论文解读] Inference with separately specified sets of probabilities in credal networks

José Carlos Ferreira da Rocha, Fábio Gagliardi Cozman|arXiv (Cornell University)|Aug 1, 2002

Bayesian Modeling and Causal Inference参考文献 18被引用 32

一句话总结

本文提出了用于credal networks的新推理算法，通过分别指定概率集来建模强独立性，利用概率可分性在树状网络（polytrees）中降低计算复杂度。主要贡献在于证明了在此设置下推理的NP难性，同时通过结构分解显著提升了效率。

ABSTRACT

We present new algorithms for inference in credal networks -- directed acyclic graphs associated with sets of probabilities. Credal networks are here interpreted as encoding strong independence relations among variables. We first present a theory of credal networks based on separately specified sets of probabilities. We also show that inference with polytrees is NP-hard in this setting. We then introduce new techniques that reduce the computational effort demanded by inference, particularly in polytrees, by exploring separability of credal sets.

研究动机与目标

• 将基于分别指定概率集的credal networks理论形式化。
• 分析该框架下推理的计算复杂度，特别是在polytrees中的情况。
• 开发利用credal集可分性以减少计算量的技术。

提出的方法

• 使用分别指定的条件概率集来形式化credal networks，以编码强独立性。
• 提出一种利用credal集可分性来降低推理复杂度的分解策略。
• 应用结构分析以识别并利用polytrees中的条件独立性，实现高效计算。
• 开发推理算法，通过集合运算在网络中传播不精确概率。
• 证明所提出框架下推理的NP难性，以确立理论复杂度边界。

实验结果

研究问题

• RQ1 如何通过分别指定的概率集对credal networks进行形式化，以表示强独立性？
• RQ2 在此形式化下，credal networks的推理计算复杂度是多少，特别是在polytrees中？
• RQ3 在多大程度上可以利用credal集的可分性来降低推理的计算成本？

主要发现

• 即使在polytrees中，使用分别指定概率的credal networks推理也是NP难的，确立了基本的复杂度边界。
• 所提出的算法通过利用credal集的可分性，显著降低了计算量。
• 基于可分性的结构分解使不精确概率在网络中的传播更加高效。
• 该框架通过显式、独立地指定概率集，支持强独立性的建模。