Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Bayesian networks, directed acyclic graph, Arthur Cayley, intervention calculus, graphical Markov model, Markov equivalence, structure learning

Sortuj według:

Ogranicz wyniki do:

Artykuł dostępny w postaci pełnego tekstu - kliknij by otworzyć plik

A Review of Bayesian Networks and Structure Learning

100%

Koski T. J. T., Noble J.

Mathematica Applicanda

2012

tom 40

nr 1

Artykuł jest przegladem problemów analizowanych przy pomocy sieci bayesowskich. Siec bayesowska jest acyklicznym grafem skierowanym, w którym wezły oznaczaja zmienne, a krawedzie prawdopodobienstwa warunkowe czyli wpływy jednych zmiennych na inne. Autor przedstawia zaleznosc miedzy d-separowalnoscia a niezaleznoscia. Znaczna czesc pracy poswiecona jest dyskusji idei zawartych w pracy Arthura Cayley'a [8], która zawiera szereg pojec i pomysłów wykorzystywanych w teorii sieci bayesowskich takich jak faktoryzacja rozkładu, zaszumione bramki „LUB" oraz zastosowanie geometrii algebraicznej. Autor omawia równiez „calculus of intervention", pomysł pochodzacy od Pearla, gdy acykliczny graf skierowany (DAG) przedstawia przyczynowo-skutkowa strukture zaleznosci, oraz zwiazki pomiedzy pracami Cayley'a i Pearla.Wiekszosc zawartego w artykule materiału poswiecona jest rozpoznawaniu i wykrywaniu zaleznosci miedzy zmiennymi w oparciu o dwie główne metodologie: przeszukiwania i klasyfikacji oraz realizacji ograniczen. Algorytmy oparte na kontroli ograniczen czesto opieraja sie na załozeniu, ze dane do których algorytm jest stosowany pochodza z rozkładu spełniajacego załozenie wiernosci oznaczajacego równowaznosc d-separowalnosci i niezaleznosci. W pracy prezentowane sa rozwazania dla algorytmów opartych na realizacji ograniczen w przypadkach gdy załozenie wiernosci nie jest spełnione. Przeprowadzono krótka dyskusje kontrowersji zwiazanych z wykrywaniem przypadkowych powiazan.

This article reviews the topic of Bayesian networks. A Bayesian network is a factorisation of a probability distribution along a directed acyclic graph. The relation between graphical d-separation and independence is described. A short article by Arthur Cayley (1853) [7] is discussed, which laid ideas later used in Bayesian networks: factorisation, the noisy `or' gate, applications of algebraic geometry to Bayesian networks. The ideas behind Pearl's intervention calculus when the DAG represents a causal dependence structure; the relation between the work of Cayley and Pearl is commented on.Most of the discussion is about structure learning, outlining the two main approaches; search and score versus constraint based. Constraint based algorithms often rely on the assumption of faithfulness, that the data to which the algorithm is applied is generated from distributions satisfying a faithfulness assumption where graphical d- separation and independence are equivalent. The article presents some considerations for constraint based algorithms based on recent data analysis, indicating a variety of situations where the faithfulness assumption does not hold.

Ograniczanie wyników

1 Mathematica Applicanda

1 Koski T. J. T.

1 Noble J.

1 2012

Wyniki wyszukiwania

A Review of Bayesian Networks and Structure Learning