.png){kind=icon}
返回
Explaining inferences in Bayesian networks
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-007-0093-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然贝叶斯网络 (BN) 即使在错误或不完整的证据下也能实现准确的预测，但解释推论仍然是一个挑战。现有的方法是不够的，因为它们没有利用变量的相互作用，并且不能在推断期间考虑补偿。本文提出了解释BN推理 (EBI) 程序，用于解释变量如何相互作用以得出结论。EBI根据特定上下文下目标的马尔可夫毯中的有影响力的节点来解释目标节点的价值，其中马尔可夫节点包括目标的父母，孩子和孩子的其他父母。从目标节点返回，EBI显示了每个中间变量的推导，最后解释了如何补偿缺失和错误的证据值。我们在各种问题领域验证了EBI，包括蘑菇分类，水净化和网页推荐。实验表明，EBI为BN推论生成了高质量，简洁且易于理解的解释，特别是使BN能够胜过其他预测系统 (例如决策树) 的基本补偿机制。
Keyword:
Bayesian networks
Explanations
Inferences
Compensations
Error values
Missing values
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Clinical research of Yu Zhu Shu Tong treatment on antipsychotic-induced constipation (in Chinese).png)
IF0
PREAI
分享收藏Learning and revising user profiles: The identification of interesting Web sitesMACHINE LEARNING
MACHINE LEARNINGIF2.9
PREAI
分享收藏
Automated detection of wedge-shaped defects in polarimetric images of the retinal nerve fibre layerEye
OAAI
EyeIF0
OAAI分享收藏Point-of-Care Measured Platelet Inhibition Correlates With a Reduced Risk of an Adverse Cardiac Event After Percutaneous Coronary InterventionCirculationOAAI
CirculationIF0
OAAI分享收藏
查看更多内容