.png){kind=icon}
返回
A two-phase method for extracting explanatory arguments from Bayesian networks
.png){kind=icon}
OA
AI
DOI：10.1016/j.ijar.2016.09.002.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
关于概率证据的推理错误可能会产生严重的后果。在法律领域，最近的一些司法不公强调了这些后果的严重程度。在这些案例中，法医证据被误解，引发了关于如何以及何时将概率推理纳入 (法律) 论证的科学辩论。一种有前途的方法是使用贝叶斯网络 (bn)，这是众所周知的概率推理科学模型。然而，对于非统计专家来说，贝叶斯网络可能很难解释。特别是由于贝叶斯网络的内部工作原理很复杂，因此它们可能以黑盒模型的形式出现。相反，论证模型可用于显示如何以自然地对应于日常推理的方式得出某些结果。在本文中，我们建议用参数来解释BN的内部工作。我们正式确定了一种两阶段方法，用于从贝叶斯网络中提取概率支持的参数。首先，我们从贝叶斯网络构建支持图，其次，给定一组观察值，我们从该支持图构建参数。这样的论点可以促进对贝叶斯网络中建模的假设和证据之间的关系的正确解释和解释。（C）2016 Elsevier Inc.版权所有。
Keyword:
Bayesian networks
Argumentation
Probabilistic reasoning
Explanation
Inference
Uncertainty
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3
论文数:
3.0K
被引数:
5.1K
机构
引用论文
Women in southern Nigeria with change in paternity do not have increased incidence of pre-eclampsia
PREAI
分享收藏The genome sequence of the rice blast fungus Magnaporthe grisea稻瘟病菌Magnaporthe grisea的基因组序列.png)
NatureOAAI
NatureIF0
OAAI分享收藏
查看更多内容