arXiv cs.AI· Sahil Kumar Rajput, Randhir Kumar·· 11 小时前AI 评分18
用于贝叶斯网络近似结果预测的轨迹加权影响分数
Trail-Weighted Influence Scores for Approximate Outcome Prediction in Bayesian Networks
AI 导读
研究提出轨迹加权证据剪枝方法：遍历从各证据节点到结果节点的活跃轨迹，按边强度乘积打分并丢弃低于阈值的证据。在无碰撞节点的二值变量网络中，轨迹分数等于端点间精确相关性，剪枝后验与精确后验的偏差可由每条被丢弃轨迹的项求和界定，该界在小树上穷举验证成立，但被丢弃轨迹共享分支时失效。
正文 · AI 翻译
摘要：我们研究用于贝叶斯网络预测的证据的路径加权剪枝。一次遍历会枚举从每个证据节点到结果节点的所有活跃路径，用路径各边强度的乘积为每条路径打分，并丢弃分数低于阈值的证据。对于二元变量上的无碰撞节点网络（链和叉），我们证明路径分数等于路径两端点之间的精确相关性，边强度相等的链和叉具有相同的联合分布，并且当每条被丢弃的路径都位于结果节点各自的独立分支中时，剪枝后的后验与精确后验之差可由每条路径项之和计算得出。我们证明了该界，在所有小型树上进行了穷举验证，并表明当被丢弃的路径共享同一分支时该界不成立。在随机树上的模拟中，对路径分数进行阈值化处理，其误差比同等规模的随机剪枝低 1.4 至 13 倍。我们还将该分数作为一种未经证明的启发式方法，应用于七个包含碰撞节点和环路的 bnlearn 网络。按路径分数保留活跃证据的前一半，在全部七个网络上误差均低于随机剪枝，但并不明显优于互信息排序，而且在七个网络中的六个上，打分的成本高于其节省的推理成本，因此我们未展示出加速效果。在路径、图和信息特征上训练、并在未见过的网络上测试的模型，未能超越路径分数或互信息，但路径特征承载了其所用的大部分信息，并明显优于通用图特征。一般网络的界留待未来工作。
| 评论： | 关于近似贝叶斯网络推理、证据剪枝、理论误差界和实证评估的研究论文 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.27366 [cs.LG] |
| （或 arXiv:2610.27366v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27366 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Randhir Kumar [查看电子邮件]
[v1]
2026年10月19日星期一 22:46:24 UTC（50 KB）
来源：arXiv cs.AI · arxiv.org