Reductions of discrete Bayesian networks via lumping
通过状态聚合约简离散贝叶斯网络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：摘要主要研究概率图模型的状态约简，缺少所列计量细分方向的直接证据。
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…
关注这篇论文的作者
通过状态聚合约简离散贝叶斯网络
- 研究问题
- 将离散贝叶斯网络中的多个状态合并以降低维度时，原网络的概率分解结构能否保留，哪些性质决定这种保留？
- 方法与思路
- 作者用满射合并状态，定义相应的网络约简概念并分析其性质，给出高度对称的特例，讨论与马尔可夫链约简的联系。
- 材料陈述的贡献
- 摘要所述贡献是建立状态聚合约简的概念与性质分析，并连接齐次、非齐次马尔可夫链中的相关约简问题。
- 阅读关注点
- 应核对保留因子分解结构的准确条件、约简后变量的依赖关系，以及对称特例与一般网络之间的结论边界。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出具体命题，也未说明状态聚合是否保留因果解释。
原文摘要
Bayesian networks are widely utilised in various fields, offering elegant representations of factorisations and causal relationships. We use surjective functions to reduce the dimensionality of the Bayesian networks by combining states and study the preservation of their factorisation structure. We introduce and define corresponding notions, analyse their properties, and provide examples of highly symmetric special cases, enhancing the understanding of the fundamental properties of such reductions for Bayesian networks. We also discuss the connection between this and reductions of homogeneous and non-homogeneous Markov chains.