FIGURE 10.11: Matilda’s Type 2 visu

FIGURE 10.11: Matilda’s Type 2 visualization of a Markov blanket for Report.
Matilda’s Type 3 question. Given some information, what happens to the relationships
between nodes?
Here, Matilda visualizes the relationships between sets of nodes. This option allows
the user to select a set of nodes X (the query nodes) and a set of nodes Z (the prior
information) and request the set of all Y nodes that are d-separated (blocked) from X.
Matilda highlights all the nodes Y in response.
Example: selected X=fPhone Callg, with prior information for nodes Z=fSmoke,
Fireg (Figure 10.12).
The nodes that are d-separated from Phone Call by Smoke and Fire are Fire
Places and Seasons. The verbal explanation is “IF the value of: ,
is known then knowing the value of WILL NOT CHANGE the belief
about the value of , and vice versa.”
In short, for various types of query, Matilda visualizes the relation “X is dseparated
from Y given Z.” In the first type, the user chooses X and Y; in response
the tool highlights Z. In the second question type, the user chooses X; in response the
tool highlights Z. In the third question type, the user chooses X and Z; in response
the tool highlights Y. Note that in the first two types of queries the tool identifies the
d-separating sets of nodes, whereas in the latter type of query the user is asking the
question with regard to a specific d-separating set of nodes.
Case-studies (Boneh et al., 2006) suggest that Matilda is useful in understanding
networks as they are being built and in understanding the consequences of different
possible design choices. It can be used not just by BN experts, but also by domain
experts to validate the network and identify potential problems with the structure. It can be used to investigate an existing network at any stage during development. It is
especially helpful in investigating networks built by automated methods, when prior intuitive understanding may be weak.
FIGURE 10.12: Matilda’s Type 3 visualization.
10.3.5 Other relationships
There are other less explicit indications of the correct network structure.
Association relationships occur when knowing a value of one variable provides
information about another variable. By Reichenbach’s Principle of the Common
Cause, some causal nexus must explain the association; although any active (unblocked)
path will do this, just the information that there is some active path may
serve as a beginning in building the causal structure. The absence of an unconditional
association is also useful to know. Thus, in the fire alarm example of Figure
10.9, there is no marginal dependence between Time of Day and Fire, which is
an implication worth checking. On the other hand, there is an implied association
between Report and Smoke (through their common ancestor Fire).
In many domains, there may be a known temporal ordering of variables, where
one event or value change occurs before another. The known ordering may be either
total or partial. In either case, the temporal information will restrict the orientation of
some of the arcs, assuming you are building a causal network.
10.3.5.1 Representing time
When the problem involves some aspect of reasoning over time, a modeling choice
must be made about how explicitly to represent time. In many models, there is no
explicit representation of time. Rather there is an implicit temporal element in causal
relationships, for example in Smoking ! Cancer. The simplest explicit temporal
modeling is to have two nodes representing the state of the same variable at different
times; for example, in the Goulburn Catchment ERA (see Figure 5.13) there are
nodes for CurrentAbundance and FutureAbundance. Or, a dynamic Bayesian network
(x4.5) can be used to represent explicitly the full dynamic process over time.
Whether there is a before/after pair of nodes, or whether there are multiple time
slices for all the variables, there must be a time step over which the change is happening.
Often this is left implicit, i.e., not represented in the BN, although of course
affects the change modeled in the CPTs. An alternative is to add a node delta-T to
represent the time step; the BN can then be used to model the process at different
temporal granularity. For example, the Goulburn Catchment ERA had a node Time
with values OneYear and FiveYear.
Common Modeling Mistake 9 Thinking BNs can’t represent feedback loops
Because Bayesian networks are directed acyclic graphs, it is sometimes thought they
cannot be used to model feedback loops. However it is straightforward to model
feedback processes with a dynamic Bayesian network. Figure 10.13 shows two examples.
In the first, there is a feedback loop between socio-economic status (SES)
and education. The DBN version breaks that down into the generations, that is, a
person’s education level depends on the SES of their parents, whereas that education
level influences the SES they attain in their own life. The second example shows a
feedback loop between the amount of grass in a pasture and the size of the herd that
pasture can carry; the loop from Grass back to itself indicates a dynamic process

Kết quả (Việt) 1:

Con số 10,11: Matilda của loại 2 kiểu trực quan của một tấm chăn Markov cho báo cáo.Matilda's loại 3 câu hỏi. Cung cấp một số thông tin, những gì sẽ xảy ra với các mối quan hệgiữa các nút?Ở đây, Matilda hình dung các mối quan hệ giữa các bộ của nút. Tùy chọn này cho phépngười dùng chọn một tập hợp các nút X (các nút truy vấn) và một tập hợp các nút Z (từ trướcthông tin) và yêu cầu các thiết lập của tất cả các nút Y được phân tách d (chặn) từ X.Matilda nổi bật tất cả các nút Y trong phản ứng.Ví dụ: chọn X = fPhone Callg, với các thông tin trước cho nút Z = fSmoke,Fireg (hình 10,12).Các nút được d, tách khỏi cuộc gọi điện thoại bằng khói và lửa đang cháyĐịa điểm và mùa. Những lời giải thích bằng lời nói là "nếu giá trị của: , được biết đến sau đó biết giá trị của SẼ không thay đổi niềm tinvề giá trị của , và ngược lại."Trong ngắn hạn, với nhiều loại hình truy vấn, Matilda visualizes mối quan hệ "X là dseparatedtừ Y Z cho trước." Trong các loại đầu tiên, người sử dụng chọn X và Y; trong phản ứngnhững điểm nổi bật công cụ Z. Trong loại câu hỏi thứ hai, người sử dụng chọn X; để đáp ứng cáccông cụ nổi bật Z. Trong loại câu hỏi thứ ba, người dùng chọn X và Z; trong phản ứngcông cụ nổi bật Y. lưu ý rằng trong loại truy vấn, lần đầu tiên hai công cụ xác định cácd-tách bộ nút, trong khi trong loại truy vấn, sau đó người sử dụng yêu cầu cáccâu hỏi liên quan đến một tập hợp các nút tách d cụ thể.Nghiên cứu trường hợp (Boneh và ctv., 2006) gợi ý rằng Matilda là hữu ích trong sự hiểu biếtmạng như họ đang được xây dựng và trong sự hiểu biết những hậu quả khác nhaucó thể thiết kế sự lựa chọn. Nó có thể được sử dụng không chỉ bởi các chuyên gia BN, mà còn bởi tên miềnCác chuyên gia để xác nhận mạng và xác định các vấn đề tiềm năng với cấu trúc. Nó có thể được sử dụng để điều tra một mạng hiện có tại bất kỳ giai đoạn trong quá trình phát triển. Nó làđặc biệt hữu ích trong việc điều tra mạng được xây dựng bằng phương pháp tự động, khi sự hiểu biết trước trực quan có thể được yếu.Con số 10,12: Matilda's loại 3 kiểu trực quan.10.3.5 các mối quan hệCó những chỉ dẫn rõ ràng ít khác của cấu trúc mạng đúng.Mối quan hệ Hiệp hội xảy ra khi biết một giá trị của một biến cung cấpthông tin về một biến. Bởi Reichenbach của nguyên tắc phổ biếnNguyên nhân, một số quan hệ nhân quả nexus phải giải thích sự liên kết; mặc dù bất kỳ hoạt động (cấm)đường dẫn sẽ làm điều này, chỉ cần các thông tin là có một số con đường hoạt động có thểphục vụ như là một khởi đầu trong việc xây dựng cấu trúc quan hệ nhân quả. Sự vắng mặt của một vô điều kiệnHiệp hội này cũng hữu ích để biết. Vì vậy, trong ví dụ Trung tâm báo cháy của con số10.9, có là không có sự phụ thuộc biên giữa thời gian của ngày và lửa, mà làngụ ý một giá trị kiểm tra. Mặt khác, có là một hiệp hội ngụ ýgiữa báo cáo và khói (thông qua của tổ tiên chung lửa).Trong nhiều lĩnh vực, có thể có một thứ tự thời gian được biết đến của các biến, nơimột sự kiện hoặc giá trị thay đổi xảy ra trước khi khác. Đặt hàng nổi tiếng có thể là một trong haiTất cả hoặc một phần. Trong cả hai trường hợp, các thông tin thời gian sẽ hạn chế sự định hướng củamột số arcs, giả sử bạn đang xây dựng một mạng lưới quan hệ nhân quả. 10.3.5.1 đại diện cho thời gianKhi vấn đề liên quan đến một số khía cạnh của lý luận theo thời gian, một sự lựa chọn mô hìnhphải được thực hiện về làm thế nào một cách rõ ràng để đại diện cho thời gian. Trong nhiều mô hình, đó là không córõ ràng đại diện của thời gian. Thay vào đó có là một yếu tố tiềm ẩn của thời gian trong causalmối quan hệ, ví dụ trong thuốc! Ung thư. Các đơn giản nhất rõ ràng thời gianngười mẫu là có hai nút đại diện cho bang biến cùng một lúc khác nhaulần; Ví dụ, trong lưu vực Goulburn thời kỳ (xem hình 5.13) có nhữngnút cho CurrentAbundance và FutureAbundance. Hoặc, một mạng Bayes năng động(x4.5) có thể được sử dụng để đại diện cho một cách rõ ràng trình đầy đủ động theo thời gian.Cho dù có là một trước khi/sau khi cặp các nút, hoặc cho dù có nhiều thời gianlát cho tất cả các biến, phải có một bước thời gian mà thay đổi đang xảy ra.Thường này còn lại tiềm ẩn, ví dụ, không được đại diện trong BN, mặc dù tất nhiênảnh hưởng đến sự thay đổi mô hình trong các CPT. Một thay thế là thêm một nút delta-T đểđại diện cho thời gian bước; BN sau đó có thể được dùng để mô hình trình tại khác nhauthời điểm hóa thạch granularity. Ví dụ, lưu vực Goulburn thời kỳ có một nút thời gianvới giá trị OneYear và FiveYear.Phổ biến mô hình sai lầm 9 suy nghĩ BNs không thể đại diện cho vòng lặp thông tin phản hồiDo mạng Bayes là đồ thị acyclic đạo diễn, nó đôi khi nghĩ rằng họkhông thể được dùng để mô hình vòng lặp thông tin phản hồi. Tuy nhiên nó là đơn giản để mô hìnhthông tin phản hồi các quy trình với một mạng Bayes năng động. Con số 10.13 cho thấy hai ví dụ.Trong lần đầu tiên, đó là một vòng lặp thông tin phản hồi giữa tình trạng kinh tế-xã hội (SES)và giáo dục. Phiên bản DBN phá vỡ mà xuống thành các thế hệ, có nghĩa là, mộttrình độ học vấn của người phụ thuộc vào những SES cha mẹ của họ, trong khi đó giáo dụcmức độ ảnh hưởng đến SES họ đạt được trong cuộc sống riêng của họ. Cho thấy ví dụ thứ hai mộtvòng lặp phản hồi giữa số tiền của cỏ trong một đồng cỏ và kích thước của các đàn gia súc màđồng cỏ có thể thực hiện; vòng lặp từ cỏ quay lại chính nó cho thấy một quá trình năng động

Kết quả (Việt) 2:

Hình 10.11: Matilda của loại 2 trực quan của một tấm chăn Markov cho Report.
Loại 3 câu hỏi của Matilda. Đưa ra một số thông tin, những gì sẽ xảy ra với các mối quan hệ
giữa các nút?
Ở đây, Matilda thị các mối quan hệ giữa các bộ của các nút. Tùy chọn này cho phép
người dùng lựa chọn một tập hợp các nút X (các nút truy vấn) và một tập hợp các nút Z (trước
thông tin) và yêu cầu các thiết lập của tất cả các nút Y mà là d-tách (bị chặn) từ X.
Matilda nổi bật tất cả các nút Y để phản ứng.
Ví dụ: chọn X = fPhone Callg, với thông tin trước cho các nút Z =
fSmoke,. Fireg (Hình 10.12)
Các nút được d-tách ra từ cuộc gọi điện thoại của khói và lửa đang cháy
Places và Seasons. Lời giải thích bằng lời nói là "NẾU giá trị của:,
được biết đến sau đó biết được giá trị của SẼ KHÔNG THAY ĐỔI niềm tin
về giá trị của, . và ngược lại
"Trong ngắn hạn, với nhiều loại khác nhau của các truy vấn, Matilda thị các mối quan hệ" X được dseparated
từ Y Z. cho "Trong loại đầu tiên, người dùng chọn X và Y; đáp ứng
các công cụ làm nổi bật Z. Trong các loại câu hỏi thứ hai, người dùng chọn X; đáp ứng các
công cụ làm nổi bật Z. Trong các loại câu hỏi thứ ba, người dùng chọn X và Z; đáp ứng
các công cụ làm nổi bật Y. Lưu ý rằng trong hai loại đầu tiên của các truy vấn công cụ xác định các
bộ d-chia của các nút, trong khi ở những loại sau của truy vấn mà người dùng đang yêu cầu các
câu hỏi liên quan đến một bộ d-chia cụ thể với nút.
Case-nghiên cứu (Boneh et al., 2006) cho thấy rằng Matilda là hữu ích trong việc tìm hiểu
các mạng như chúng đang được xây dựng và trong sự hiểu biết những hậu quả khác nhau
lựa chọn thiết kế có thể. Nó có thể được sử dụng không chỉ bởi BN chuyên gia, mà còn bởi miền
chuyên gia để xác nhận mạng và xác định các vấn đề tiềm năng với cấu trúc. Nó có thể được sử dụng để điều tra một mạng lưới hiện ở giai đoạn nào trong quá trình phát triển. Nó là
đặc biệt hữu ích trong việc điều tra các mạng lưới được xây dựng bằng phương pháp tự động, khi sự hiểu biết trực quan trước khi có thể yếu.
HÌNH 10.12:. Loại 3 visualization Matilda của
10.3.5 các mối quan hệ khác
có những dấu hiệu ít rõ ràng khác của cấu trúc mạng đúng.
Mối quan hệ Hiệp hội xảy ra khi biết một giá trị của một biến cung cấp
thông tin về một biến khác. By Nguyên tắc Reichenbach của Common
Cause, một số mối quan hệ nhân quả phải giải thích hiệp hội; mặc dù bất kỳ hoạt động (bị chặn)
đường dẫn sẽ làm điều này, chỉ cần các thông tin rằng có một số con đường hoạt động có thể
phục vụ như là một khởi đầu trong việc xây dựng cấu trúc nhân quả. Sự vắng mặt của vô điều kiện
hiệp hội cũng là hữu ích để biết. Vì vậy, trong ví dụ báo cháy của hình
10.9, không phải phụ thuộc biên giữa Time of Day and Fire, đó là
một ý nghĩa giá trị kiểm tra. Mặt khác, có một hiệp hội mặc nhiên
giữa Báo cáo và Smoke (thông qua tổ tiên cháy chung của họ).
Trong nhiều lĩnh vực, có thể có một thứ tự thời gian được biết đến của các biến, nơi
một sự kiện hoặc giá trị thay đổi xảy ra trước khi một người. Trật tự được biết đến có thể là
toàn bộ hay một phần. Trong cả hai trường hợp, các thông tin thời gian sẽ hạn chế sự định hướng của
một số các vòng cung, giả sử bạn đang xây dựng một mạng lưới quan hệ nhân quả.
10.3.5.1 Hiện Đại diện
Khi các vấn đề liên quan đến một số khía cạnh của lý luận theo thời gian, một sự lựa chọn mô hình
phải được thực hiện một cách rõ ràng về cách để mô tả thời gian. Trong nhiều mô hình, không có
đại diện rõ ràng của thời gian. Thay có một yếu tố thời gian tiềm ẩn trong quan hệ nhân quả
các mối quan hệ, ví dụ như trong thuốc! Cự Giải. Các thời gian rõ ràng đơn giản
mô hình là phải có hai nút đại diện cho nhà nước của các biến tương tự tại khác nhau
lần; Ví dụ, trong các lưu vực Goulburn ERA (xem Hình 5.13) có
các nút cho CurrentAbundance và FutureAbundance. Hoặc, một mạng Bayesian động
(x4.5) có thể được sử dụng để đại diện cho một cách rõ ràng quá trình đầy năng động theo thời gian.
Cho dù có một trước / sau khi cặp nút, hoặc cho dù có nhiều thời gian
lát cho tất cả các biến, phải có một bước thời gian mà thay đổi đang diễn ra.
Thường thì điều này đang bị bỏ lửng, tức là, không được đại diện trong các BN, mặc dù dĩ nhiên
ảnh hưởng đến sự thay đổi mô hình trong CPT. Một cách khác là thêm một nút delta-T để
đại diện cho bước thời gian; các BN sau đó có thể được sử dụng để mô hình hóa quá trình này ở khác nhau
granularity thời gian. Ví dụ, các Goulburn Lưu vực ERA có một nút Time
với giá trị OneYear và FiveYear.
Common Modeling Mistake BNS 9 Suy nghĩ không thể đại diện cho các vòng phản hồi
Bởi vì các mạng Bayesian được đạo diễn đồ thị acyclic, đôi khi nó được nghĩ rằng họ
không thể được sử dụng để mô hình các vòng phản hồi. Tuy nhiên nó là đơn giản để mô hình
các quá trình phản hồi với một mạng Bayesian năng động. Hình 10.13 cho thấy hai ví dụ.
Trong lần đầu tiên, có một vòng phản hồi giữa tình trạng kinh tế-xã hội (SES)
và giáo dục. Các phiên bản DBN vỡ ra thành các thế hệ, đó là một
trình độ học vấn của người phụ thuộc vào các SES của cha mẹ, trong khi đó giáo dục
mức độ ảnh hưởng đến SES họ đạt được trong cuộc sống riêng của họ. Ví dụ thứ hai cho thấy một
vòng phản hồi giữa số lượng cỏ trong một đồng cỏ và kích thước của các đàn mà
đồng cỏ có thể mang theo; vòng lặp từ Grass lại cho chính nó cho thấy một quá trình năng động