arXiv cs.AI· Giovanni Briglia, Marco Lippi, Stefano Mariani, Franco Zambonelli·· 3 天前AI 评分27
Neural Bayesian Networks：面向不确定性下模块化可扩展决策的神经贝叶斯网络
Neural Bayesian Networks for Modular and Scalable Decision-Making Under Uncertainty
AI 导读
研究者提出 Neural Bayesian Networks（NBNs），将贝叶斯网络中的每个条件分布替换为可微分的张量机制，同时保持图结构与分解方式不变，从而可表示任意可学习的条件分布并原生运行在 GPU 上。团队同时发布基于 PyTorch 的 NBN 库及公开基准，在大规模网络和大批量查询上借助 GPU 并行实现两个数量级的加速。
正文 · AI 翻译
摘要：贝叶斯网络（BNs）是让智能体在序贯决策中进行不确定性推理的成熟工具。它们将联合分布分解为排列在有向无环图上的局部条件机制，这使其具有模块化、可解释性，并可直接进行概率推断。然而，其经典表述在表达能力和规模上都存在局限：每个条件通常以表格或线性高斯形式存储，而推断则一次评估图中的一个节点和一个查询。
在本文中，我们提出了神经贝叶斯网络（NBNs），其中每个条件都是一个可微的、张量值的机制，而图及其分解保持不变。NBNs 保留了 BNs 的模块化和局部机制，可以表示任何可学习的条件分布，并原生在 GPU 上运行。我们还发布了 NBN，一个基于 PyTorch 的库，用于 NBNs 中的学习和推断，并附带一个公开基准。我们的评估显示了在表达能力和规模上的提升：NBNs 能够拟合经典 BN 库难以表示的分布，并且在大型网络和大批量查询上，得益于 GPU 并行化，它们运行速度快了两个数量级。NBN 可在 此 https URL 获取。
| 评论： | 正文 10 页，额外内容为补充材料。ACM CCS：计算方法学~人工智能~知识表示与推理~概率推理。计算方法学~机器学习~机器学习方法~神经网络。计算方法学~机器学习~机器学习方法~概率图模型中的学习~贝叶斯网络模型 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| ACM 分类： | I.2.6；I.2.11 |
| 引用为： | arXiv:2610.16902 [cs.AI] |
| （或 arXiv:2610.16902v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16902 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Stefano Mariani [查看电子邮件]
[v1]
2026年10月12日星期一 14:54:35 UTC（3,270 KB）
来源：arXiv cs.AI · arxiv.org