Surjective Independence of Causal Influences for Local Bayesian Network Structures
局部贝叶斯网络结构中的满射因果影响独立性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般贝叶斯网络局部参数化，未提供所列经济计量领域或网络干扰效应的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
局部贝叶斯网络结构中的满射因果影响独立性
- 研究问题
- 贝叶斯网络需要大量专家概率判断，而局部因果影响独立性限制可能过强时，如何降低参数化负担并放宽限制？
- 方法与思路
- 作者提出满射因果影响独立性模型，将其作为局部结构的替代设定，以放宽原有独立性约束并简化网络参数化。
- 材料陈述的贡献
- 摘要称新模型比原有因果影响独立性设定更具实践可行性，并有助于减少构建完整概率模型时的专家判断负担。
- 阅读关注点
- 核对满射结构的数学定义、与原独立性模型的包含关系，以及参数数量、判断负担和表达能力之间的具体权衡。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出正式模型条件、验证结果或计量应用场景。
原文摘要
The very expressiveness of Bayesian networks can introduce fresh challenges due to the large number of relationships they often model. In many domains, it is thus often essential to supplement any available data with elicited expert judgements. This in turn leads to two key challenges: the cognitive burden of these judgements is often very high, and there are a very large number of judgements required to obtain a full probability model. We can mitigate both issues by introducing assumptions such as independence of causal influences (ICI) on the local structures throughout the network, restricting the parameter space of the model. However, the assumption of ICI is often unjustified and overly strong. In this paper, we introduce the surjective independence of causal influences (SICI) model which relaxes the ICI assumption and provides a more viable, practical alternative local structure model that facilitates efficient Bayesian network parameterisation.