AIS-BN公司

AIS-BN：一种适用于大型贝叶斯网络的证据推理的自适应重要抽样算法随机抽样算法虽然是非常大的贝叶斯网络模型中精确算法的一个有吸引力的替代方案，但在证据极不可能的证据的证据推理中表现不佳。为了解决这一问题，我们提出了一种自适应重要抽样算法AIS-BN，该算法即使在极端条件下也有很好的收敛速度，并且似乎始终优于现有的抽样算法。这种性能改进的三个来源是：（1）基于有限维积分中重要性抽样的理论性质和贝叶斯网络的结构优势，对重要性函数进行初始化的两种启发式方法；（2）重要性函数的平滑学习方法，（3）动态加权函数，用于合并算法不同阶段的样本。我们测试了AIS-BN算法以及两种最先进的通用采样算法，似然加权和自重要抽样算法的性能。在我们的测试中，我们使用了科学界可用的三个大型真实贝叶斯网络模型：CPCS网络、探路者网络和安第斯网络，证据不太可能达到10^-41美元。虽然AIS-BN算法的性能始终优于其他两种算法，但在大多数测试案例中，它在结果的精度方面实现了数量级的提高。在给定所需精度的情况下，速度的提高更为显著，尽管我们无法在此报告数值结果，因为其他算法几乎从未达到AIS-BN算法最初几次迭代所达到的精度。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（引用于，1标准件)

显示第1到第20个结果，共25个。
按年份排序(引用)
  1. Ramos-López，Dario；Masegosa，Andres R.；Salmeron，Antonio；Rumí，Rafael；Langseth，Helge；Nielsen，Thomas D.；Madsen，Anders L.：贝叶斯网络中高斯混合后验点的可伸缩重要性抽样估计（2018）
  2. Abbal，Philippe；Sablayrolles，Jean-Marie；Matzner Lober，尥ric；Boursiquot，Jean-Michel；Baudrit，Cedric；Carboneau，Alain：基于贝叶斯网络的葡萄种植决策支持系统（2016）
  3. Gogate，Vibhav；Dechter，Rina:基于重要性抽样的图形模型搜索空间估计（2012）
  4. Cheng，Jian；Druzdzel，Marek J.：AIS-BN：大型贝叶斯网络证据推理的自适应重要抽样算法（2011）ioport公司
  5. Gogate，Vibhav；Dechter，Rina:SampleSearch:决定论存在下的重要性抽样（2011）
  6. Kevin B.Korb；Nicholson，Ann E.：贝叶斯人工智能。（2011年）
  7. 于浩海；范恩格伦，罗伯特：具有确定性因果关系的贝叶斯网络的重要性抽样（2011）
  8. Luque，Manuel；Díez，Francisco Javier:超值节点影响图的变量消除（2010）
  9. 于浩海；范恩格伦，罗伯特：证据推理下大型贝叶斯网络自适应重要性抽样的弧折射器方法（2010）
  10. Haider，Saijjad；Zaidi，Abbas K.；Levis，Alexander H.：影响网络中最佳行为集的识别（2008）
  11. Zolda，Michael:推断：基于贝叶斯网络的交互式时序配置（2008）ioport公司
  12. Bidyuk，B.；Dechter，R.：贝叶斯网络的割集抽样（2007）
  13. Rina Dechter；Robert Mateescu:和/或图形模型搜索空间（2007）
  14. Daniel Garcia Sanchez；Druzzel，Marek J.：影响图的一种有效的穷尽式随时采样算法（2007）
  15. 诊断与维护系统；Leon V.J.系统集成计划；2007年
  16. 袁昌河；德鲁兹泽尔，马雷克J.：贝叶斯网络中重要性抽样的理论分析与实践（2007）
  17. Gugiu，Ionela Claudia:贝叶斯网络（2006）
  18. Rosales，Rómer；Sclaroff，Stan:在关节姿势估计框架中结合生成和判别模型（2006）ioport公司
  19. 袁昌和；德鲁兹泽尔，马雷克J.：贝叶斯网络的重要性抽样算法：原理与性能（2006）
  20. Moral，Serafín；Salmeron，Antonio:基于概率树的贝叶斯网络动态重要性抽样（2005）