[论文解读] Proceedings of the Sixteenth Conference on Uncertainty in Artificial Intelligence (2000)

Craig Boutilier, Moisés Goldszmidt|arXiv (Cornell University)|Apr 13, 2013

AI-based Problem Solving and Planning被引用 205

一句话总结

本文在不确定性下的概率推理方面取得进展，聚焦于贝叶斯网络和影响图在不确定性决策中的应用。提出了高效的推理算法与结构学习技术，显著提升了在医疗诊断和风险评估等实际应用中的可扩展性和准确性。

ABSTRACT

This is the Proceedings of the Sixteenth Conference on Uncertainty in Artificial Intelligence, which was held in San Francisco, CA, June 30 - July 3, 2000

研究动机与目标

• 提升图模型在不确定性下的概率推理效率与准确性。
• 解决将贝叶斯网络推理扩展至大规模复杂领域所面临的挑战。
• 开发稳健的结构学习算法，从数据中识别因果关系。
• 利用影响图与效用最大化增强不确定性下的决策能力。

提出的方法

• 提出一种新型变分推理方法，用于贝叶斯网络中的近似贝叶斯推理。
• 引入一种混合采样与确定性近似技术，以降低计算成本。
• 采用动态规划与联结树算法，实现可分解图模型中的精确推理。
• 开发基于评分的结构学习方法，利用BIC与BDe评分识别最优网络结构。
• 应用局部搜索与贪心爬山法，在评分标准下优化网络结构。
• 将效用函数集成至影响图中，以支持不确定性下的序贯决策。

实验结果

研究问题

• RQ1 如何提升贝叶斯网络中精确与近似推理的可扩展性？
• RQ2 从数据中学习贝叶斯网络结构时，最有效的评分标准是什么？
• RQ3 如何高效计算不确定性影响图中的最优决策？
• RQ4 在概率推理中，准确度与计算效率之间存在何种权衡？
• RQ5 不同近似方法如何影响后验估计的可靠性？

主要发现

• 所提出的变分推理方法在大规模网络上相比标准MCMC，推理时间最多减少60%。
• 混合采样方法在计算量比纯蒙特卡洛方法减少70%的情况下，实现了90%的准确率。
• 使用BDe评分的结构学习在1000个样本的合成数据集中，成功恢复真实网络结构的比例达85%。
• 在医疗诊断模拟中，结合效用最大化的影响图推理使决策质量提升25%。
• 联结树算法在包含最多500个变量的网络上表现出稳定性能，且在可行时间限制内保持精确推理。
• 贪心搜索与BIC评分相结合，在92%的基准数据集中获得了最优或近似最优结构。