論文の概要: Uncertainty Reasoning for Probabilistic Petri Nets via Bayesian Networks

• arxiv url: http://arxiv.org/abs/2009.14817v1
• Date: Wed, 30 Sep 2020 17:40:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 23:44:28.995061
• Title: Uncertainty Reasoning for Probabilistic Petri Nets via Bayesian Networks
• Title（参考訳）: ベイズネットワークによる確率論的ペトリネットの不確実性推論
• Authors: Rebecca Bernemann and Benjamin Cabrera and Reiko Heckel and Barbara K\"onig
• Abstract要約: 我々は、ペトリネット上の不確実性推論のために拡張ベイズネットワークを利用する。 特にベイズネットワークは確率分布の記号表現として用いられる。 モジュラーベイズネットから情報を引き出す方法を示す。
• 参考スコア（独自算出の注目度）: 1.471992435706872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper exploits extended Bayesian networks for uncertainty reasoning on Petri nets, where firing of transitions is probabilistic. In particular, Bayesian networks are used as symbolic representations of probability distributions, modelling the observer's knowledge about the tokens in the net. The observer can study the net by monitoring successful and failed steps. An update mechanism for Bayesian nets is enabled by relaxing some of their restrictions, leading to modular Bayesian nets that can conveniently be represented and modified. As for every symbolic representation, the question is how to derive information - in this case marginal probability distributions - from a modular Bayesian net. We show how to do this by generalizing the known method of variable elimination. The approach is illustrated by examples about the spreading of diseases (SIR model) and information diffusion in social networks. We have implemented our approach and provide runtime results.
• Abstract（参考訳）: 本稿では,遷移の発火が確率的であるペトリネット上での不確実性推論のためにベイズネットワークを拡張した。 特にベイズネットワークは確率分布の象徴表現として使われ、観測者のネットのトークンに関する知識をモデル化している。 オブザーバは、成功と失敗のステップを監視することで、ネットを研究することができる。 ベイジアンネットの更新メカニズムは、いくつかの制限を緩和することで実現され、モジュラーベイジアンネットは便利に表現および修正できる。 すべての記号表現について、問題は情報(この場合、モジュラーベイズネットからの限界確率分布)を導出する方法である。 本稿では,既知の変数除去法を一般化してこれを行う方法を示す。 このアプローチは、病気の拡散(SIRモデル)とソーシャルネットワークにおける情報拡散の例によって説明される。 このアプローチを実装し、実行結果を提供しました。

関連論文リスト

• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• A Note on Bayesian Networks with Latent Root Variables [56.86503578982023]
  残りの, 証明, 変数に対する限界分布もまたベイズ的ネットワークとして分解され, 経験的と呼ぶ。 マニフェスト変数の観測のデータセットにより、経験的ベイズネットのパラメータを定量化することができる。
  論文  参考訳（メタデータ） (2024-02-26T23:53:34Z)
• Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
  Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。 本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-02-08T22:05:45Z)
• Probabilistic Verification of ReLU Neural Networks via Characteristic Functions [11.489187712465325]
  我々は、周波数領域における確率理論のアイデアを用いて、ReLUニューラルネットワークの確率論的検証保証を提供する。 我々は、(深い)フィードフォワードニューラルネットワークを有限地平線上の離散力学系として解釈する。 出力集合の累積分布関数を求め,ネットワークが期待通りに動作しているかどうかを確認する。
  論文  参考訳（メタデータ） (2022-12-03T05:53:57Z)
• Reconsidering Dependency Networks from an Information Geometry Perspective [2.6778110563115542]
  依存ネットワークは、多数の変数を含むシステムの潜在的な確率的グラフィカルモデルである。 依存ネットワークの構造は有向グラフで表され、各ノードは条件付き確率テーブルを持つ。 従属ネットワークとベイズネットワークは,学習した分布の精度においてほぼ同じ性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-07-02T07:05:11Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Bayesian Inference by Symbolic Model Checking [0.0]
  ベイズネットワークから木のようなマルコフ連鎖への簡単な変換を示す。 MTBDD(Multi-terminal BDDs)のようなシンボリックなデータ構造は推論に非常に効果的であることを示す。
  論文  参考訳（メタデータ） (2020-07-29T19:38:17Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。