[论文解读] Using ROBDDs for Inference in Bayesian Networks with Troubleshooting as an Example

Thomas D. Nielsen, Pierre-Henri Wuillemin+2 more|VBN Forskningsportal (Aalborg Universitet)|Jan 16, 2013

Bayesian Modeling and Causal Inference参考文献 8被引用 19

一句话总结

本文提出使用约化有序二元决策图（ROBDDs）来加速具有确定性组件的贝叶斯网络中的推理，以故障排除为案例研究。通过将确定性部分编码为布尔函数，并利用ROBDD来计数满足赋值，该方法在大型、大部分为确定性的网络中，相较于传统的联结树算法实现了高达100倍的加速。

ABSTRACT

When using Bayesian networks for modelling the behavior of man-made machinery, it usually happens that a large part of the model is deterministic. For such Bayesian networks deterministic part of the model can be represented as a Boolean function, and a central part of belief updating reduces to the task of calculating the number of satisfying configurations in a Boolean function. In this paper we explore how advances in the calculation of Boolean functions can be adopted for belief updating, in particular within the context of troubleshooting. We present experimental results indicating a substantial speed-up compared to traditional junction tree propagation.

研究动机与目标

• 解决传统推理算法在具有大型确定性组件的贝叶斯网络中效率低下的问题。
• 探索ROBDD是否能够高效表示并查询底层确定性网络结构的布尔函数。
• 评估ROBDD推理在现实世界故障排除场景中的性能表现。
• 从运行时间和可扩展性角度，对比ROBDD推理与标准联结树传播方法的性能。

提出的方法

• 将贝叶斯网络的确定性部分表示为布尔函数。
• 使用ROBDD紧凑编码布尔函数，并支持高效操作。
• 通过计数ROBDD表示中满足的真值赋值数量来执行信念更新。
• 利用ROBDD工具中现有的优化技术，高效计算模型概率。
• 将基于ROBDD的推理集成到完整的贝叶斯网络推理流程中。
• 在故障排除领域与标准联结树算法对比性能表现。

实验结果

研究问题

• RQ1 ROBDD能否有效表示用于故障排除的贝叶斯网络中的确定性组件？
• RQ2 基于ROBDD的推理在运行时间上是否优于传统的联结树传播方法？
• RQ3 随着网络规模和复杂度的增加，ROBDD的性能如何扩展？
• RQ4 确定性对基于ROBDD的推理效率有何影响？
• RQ5 在何种场景下，基于ROBDD的推理能提供最显著的加速？

主要发现

• 在大型、大部分为确定性的贝叶斯网络中，基于ROBDD的推理相比联结树传播最高可实现100倍的加速。
• 该方法在具有高度确定性的网络中表现出优越的可扩展性，而联结树方法在这些情况下因复杂度呈指数增长而性能下降。
• ROBDD高效压缩了表示确定性关系的布尔函数，降低了内存和计算开销。
• 在具有大量确定性条件概率表的网络中，性能提升最为显著。
• 该方法在显著减少推理时间的同时保持了准确性，尤其在现实世界故障排除应用中表现突出。