条件因果贝叶斯网络诱导模型的最小I-map有向无环图

Xiangdong Xie, Jiahua Guo, Yi Sun; 26(47):1−62, 2025.

摘要

贝叶斯网络（BNs）是知识表示和推理的强大工具，尤其适用于复杂系统。BN应用中的一个关键任务是在存在选择偏差的情况下进行条件推理。然而，后条件作用下，BN的条件分布族会变得复杂难析，相应的诱导子图可能无法准确编码剩余变量的条件独立性。

本研究首先探讨BN在何种条件下保持条件封闭性，即诱导子图与条件分布的结构信息保持一致。相反，当BN不封闭时，旨在通过向原始诱导图添加有向边，构建一个新的有向无环图（DAG）作为条件模型的最小I-map。提出了该最小I-map的等效特征描述，并开发了高效识别算法。

所提出的框架提高了BN条件推理的效率。此外，DAG最小I-map为来自不同来源（子群体/条件分布）的知识安全整合提供了图形标准，有助于正确的参数估计。理论分析和仿真研究均表明，使用DAG最小I-map进行条件推理比基于原始BN联合分布的传统方法更有效。

[abs][pdf][bib][code]