Exact and approximate inference in ProBT
Nous présentons un cadre unificateur pour l'inférence exacte et approchée dans les réseaux bayésiens. Ce cadre est utilisé dans "ProBT", un moteur d'inférence généraliste permettant d'automatiser le raisonnement probabiliste et de faciliter la construction incrémentale des modèles. Cet article n'a pas pour objectif de présenter ProBT, mais de décrire ses algorithmes sous-jacents et principalement l'algorithme "Successive Restrictions Algorithm" (SRA) pour l'inférence exacte et l'algorithme "Monte Carlo Simultaneous Estimation and Maximization" (MCSEM) pour l'inférence approchée. L'idée principale de ProBT est d'utiliser la notion d'"expressions de probabilités". Ces expressions peuvent être "exactes" ou bien "approchées" et sont utilisées comme briques de base pour la construction incrémentale de modèles probabilistes plus complexes.
We present a unifying framework for exact and approximate inference in Bayesian networks. This framework is used in "ProBT", a general purpose inference engine for probabilistic reasoning and incremental model construction. This paper is not intended to present ProBT but to describe its underlying algorithms mainly the "Successive Restrictions Algorithm" (SRA) for exact inference, and the "Monte Carlo Simultaneous Estimation and Maximization" (MCSEM) algorithm for approximate inference problems. The main idea of ProBT is to use "probability expressions" that can be "exact" or "approximate" as basic bricks to build more complex models incrementally.
K.MEKHNACHA, J.AHUACTZIN, P.BESSIÈRE, E.MAZER, L.SMAIL
réseaux bayésiens, inférence exacte, inférence approchée, optimisation.
Bayesian networks, exact inference, approximate inference, optimization.
Anglais
|
