FIGURE 4.18: The BN obtained by rec

FIGURE 4.18: The BN obtained by recursively unfolding the OOBN in Figure 4.17.
4.7.3 OOBN examples
Example 1: Orchard Farming Mr Bunce runs a farm, which also contains a small
orchard. When his fruit trees are distressed, either through lack of water, or when
suffering from a disease, they lose their leaves. His management options include
spraying to kill a particular fungal disease and providing more regular water by
irrigating, particularly when there is a drought. Water costs more during a drought,
while the overall condition of the trees allows him to estimate the expected return from the crop.11
Figure 4.19 shows an OOBN for this example. At the highest level of abstraction,
the BunceFarm object contains an Orchard which is influenced by a combination
of Mr Bunce’s farm management actions and the Climate. The ORCHARD class
contains multiple tree objects, as well as a node which summarizes the condition of
all the trees. The returns from the fruit crop are modelled in the utility table for the
Returns node.
The TREE class is the least abstract in this example, containing only ordinary
nodes, showing that a tree’s condition, indicated by whether it loses its leaves, depends
on whether it is diseased and receiving enough water. The action Spray can
eliminate the disease, while water – provided by rainfall, not modelled explicitly
here – is reduced during Drought and can be boosted by Irrigation.12
Drought is an input node of the TREE class, coming from the Climate object
originally while the Spray and Irrigation input nodes in each tree object come originally
from the BunceFarm object, all via the Orchard object. Note that while in this
example the CLIMATE class contains only the single ordinary node Drought, it could
be extended into a more complex sub-model for predicting drought.
Note that the costs associated with the Spray and Irrigation decisions are modelled
with utility nodes included at the highest level, i.e., where Spray and Irri-
11This is an extended version of Kjaerulff and Madsen’s (2008) Apple Tree OOBN example.
12Note that for sequential decision making, there would be a precedence link between with two action
nodes, Spray and Irrigation.
FIGURE 4.19: An OOBN for the Farm Orchard example (top left) together with the
TREE class.
gation are not input nodes. Obviously there will be trade-offs between spraying
and irrigating to improve the crop condition and hence return, and the costs of
those actions. These will depend on the paramaterization of the model, for example
the probability of drought, P(Climate:Drought), how effective the spraying is,
P(Sick = NojSpray = Yes), how likely the trees are to contract the disease if not
sprayed, P(Sick = YesjSpray = No), how well the trees cope with lack of water
P(ConditionjDry =Yes; ), and so on. The parametrization is left as an exercise for
the reader.
Example 2: The Car Accident The amount of damage done in a car accident will
depend on a range of factors, including various features of the car, its current value
and the speed it was travelling at. These in turn will vary according to the weather,
the speed-limit and features of the driver.13
Figure 4.20 shows the CAR and SITUATION classes for this example. The car
Owner object is an instance of the PERSON class, which has the output nodes Age
and Income. The CAR class contains contains other objects – Owner, Engine, Steering,
Tyres and Brakes – that are instances of other classes not shown here. The CAR
class has hidden nodes Type, Age, Original Value, Maintenance and Mileage and output
nodes Max–Speed, Current–Value, Steering–Sa f ety and Braking–Power. The
13This is a modified version of an example from Koller and Pfeffer (1997a).
FIGURE 4.20: The CAR and SITUATION classes for the car accident OOBN example
(adapted from Koller and Pfeffer, 1997a[Fig. 1]).
SITUATION class contains, of course, a Car object, as well as objects (Driver and
Road), which are instances of other classes also not shown here. The interface to the
SITUATION class consists of a Weather input node (which could be connected to a
complex weather model) and several output nodes.
4.7.4 “is-A” relationship: Class inheritance
Capturing relationships is an important part of the object oriented paradigm. The encapsulation
of objects within other objects allows us to model “part-of” relationships.
There is another key relationship in the OO paradigm, namely the “is-a” relationship,
with subclasses that inherit the properties of other classes. An instance of a subclass
is an instance of its parent class (called the superclass), giving an “is-a” hierarchy.
We follow Kjærulff and Madsen (2008) by defining inheritance as the ability of an
instance to take its interface definitions from other instances. So if C1 is an OOBN network class with input variables I1 and output variables O1, then class C2 may be
specified as a subclass of C1 if and only if I1  I2 and O1  O2. While the hidden
nodes and structure are not, in this definition, passed from class to subclass, in practice
they may be very similar, with the structure or parameters adjusted to reflect a
different, more specialized situation.
For example, in the Farm Orchard example above, we could develop a hierarchy
of the Tree class, as in Figure 4.21, which would allow us to model that a particular
disease affects only some kinds of fruit tree, or that different species respond differently to the stress of inadequate water. FIGURE 4.21: A possible hierarchical classification of tree using standard UML
(Fowler, 2003) OO notation.
Similarly, in the Car Accident example, the Driver object in the SITUATION
class could be an instance of a more detailed subclass of the PERSON class, allowing
many of its nodes to be inherited rather than redefined.
Unfortunately, to date (to our knowledge), there is no publicly available OOBN
software that supports class inheritance.
4.8 Summary
In order to make decisions, we must be able to take into account preferences between
different outcomes. Utility theory provides a way to represent and reason with
preferences. The combination of utility theory and probability theory gives a framework
for decision making, where a rational being should make choices that maximize
her or his expected utility. Extending Bayesian networks with decision nodes
and utility nodes gives us decision networks (also called influence diagrams). These
include an explicit representation of ordering between information and decisions,
and decisions and decisions, and allow us to make isolated or sequential decisions.
By adding a temporal dimension to Bayesian networks, we get dynamic Bayesian
networks (DBNs), which allow us to explicitly model and reason about changes over time. These in turn can be extended with utility and decision nodes, to give dynamic
decision networks (DDNs). DDNs run into complexity problems when used for general
planning, in which case special purpose planning representations and algorithms
may be more useful. Object-oriented Bayesian decision networks (OOBNs) are generalisations
of decision networks, based on a hierarchical component structure. They
facilitate network construction and reuse by allowing the representation of commonalities
of both structure and parameters.
4.9 Bibliographic notes
Influence diagrams were originally developed as a compact representation of decision
trees for decision analysis. The basic concepts were developed by a group at SRI
(Miller et al., 1976), and were formally introduced by Howard and Matheson (1981).
Jensen and Nielsen (2007) give a detailed presentation of one method for evaluation
decision network, and summarizes other approaches. The term “DBN” was first
coined by Dean and Kanazawa (1989); other early DBN research in the AI community
was undertaken by Nicholson (1992) and Kjærulff (1992).
The chapter by Kevin Murphy on DBNs for Michael Jordan’s forthcoming text
book, An Introduction to Probabilistic Graphical Models, gives a very comprehensive
survey of DBNs, their connections to hidden Markov models (HMMs) and state
space models, and exact and approximate inference algorithms (including filtering
approaches). Kjaerulff (1995) describes the dHugin computation scheme for DBN
inference, which includes window expansion and reduction, forward and back interjunction
tree propagation and forward sampling for probabilistic projection.
OOBNs appeared in various forms from different researchers from the late 1990s, including (Koller and Pfeffer, 1997a, Laskey and Mahoney, 1997, Bangso
and Wuillemin, 2000, Neil et al., 2000). Koller and Friedman (2009) give a very full
formal description of one variation, while Kjærulff and Madsen (2008) and Jensen
and Nielsen (2007) describe the flavour of OOBNs implemented in Hugin.
4.10 Problems
Utility
Problem 1
You have 20 pounds of cheese. We offer to make a gamble with you: tossing a fair
coin, if it comes up heads, we’ll give you 130 more pounds of cheese; if it comes up
tails, we’ll take your 20 pounds of cheese. What is the expected value of the gamble?
Assuming that you maximize your expected utility and that you refuse this gamble,what can you infer about your utility function—that is, how many utiles (basic units
of your utility) is a pound of cheese worth?
Problem 2
You have 20 utiles worth of chocolate. We offer to make a gamble with you: tossing
some coin, if it comes up heads, we’ll give you 130 more utiles worth of chocolate;
if it comes up tails, we’ll take your 20 utiles worth of chocolate. Assuming that you
maximize your expected utility and that you refuse this gamble, what can you infer
about the probability you give to the coin landing heads?
Modeling
Problem 3
Robert is trying to decide whether to study hard for the Bayesian Artificial Intelligence
exam. He would be happy with a good mark (e.g., a High Distinction) for the
subject, but he knows that his mark will depend not only on how hard he studies but
also on how hard the exam is and how

Kết quả (Việt) 1:

Con số 4.18: BN thu được bằng cách đệ quy mở ra OOBN trong hình 4.17.4.7.3 ví dụ OOBNVí dụ 1: Orchard nông nghiệp ông Bunce chạy một trang trại, trong đó cũng có một nhỏOrchard. Khi cây ăn quả của mình đau khổ, hoặc thiếu thông qua nước, hoặc khibị bệnh một, họ mất lá của họ. Tùy chọn quản lý của ông bao gồmphun để giết một bệnh nấm cụ thể và cung cấp nước thường xuyên hơn bởithủy lợi, đặc biệt là khi có một hạn hán. Nước chi phí thêm trong một hạn hán,trong khi tình trạng tổng thể của cây cho phép anh ta để ước tính sự trở lại dự kiến từ crop.11Con số 4,19 cho thấy một OOBN cho ví dụ này. Ở cấp độ cao nhất của trừu tượng,đối tượng BunceFarm chứa một Orchard mà bị ảnh hưởng bởi một sự kết hợpCác hành động của ông Bunce trang trại quản lý và khí hậu. Lớp ORCHARDcó nhiều cây đối tượng, cũng như một nút tóm tắt các điều kiện củaTất cả các cây. Lợi nhuận từ các cây trồng quả được mô hình trong bảng tiện ích cho cácTrả lại nút.Các lớp học cây là trừu tượng ít nhất là trong ví dụ này, chỉ có bình thườngnút, Đang hiển thị tình trạng của một cây, được chỉ định bởi việc nó sẽ mất lá của nó, phụ thuộcngày cho dù đó là bệnh và nhận được đủ nước. Hành động phun có thểloại bỏ bệnh, trong khi nước-cung cấp bởi lượng mưa, không theo mô hình một cách rõ ràngở đây-là giảm trong hạn hán và có thể được thúc đẩy bởi Irrigation.12Hạn hán là một nút đầu vào loại cây, đến từ các đối tượng khí hậuBan đầu trong khi phun và thủy lợi đầu vào nút trong mỗi đối tượng cây đến Ban đầutừ đối tượng BunceFarm, tất cả thông qua các đối tượng Orchard. Lưu ý rằng trong khi ở đâyVí dụ lớp khí hậu có chỉ duy nhất bình thường nút khô hạn, nó có thểđược mở rộng thành một mô hình phức tạp hơn tiểu dự đoán hạn hán.Lưu ý rằng các chi phí liên quan đến các quyết định phun và thủy lợi được mô hìnhvới tiện ích nút bao gồm ở mức cao nhất, tức là, nơi phun và Irri -11This là một phiên bản mở rộng của Kjaerulff và của Madsen ví dụ Apple Tree OOBN (2008).12Note rằng cho tuần tự quyết định, sẽ có một ưu tiên liên kết giữa hai hành độngnút, phun và thủy lợi.Con số 4,19: Một OOBN ví dụ Farm Orchard (đầu trang bên trái) cùng với cácLớp học cây.nhiên không có đầu vào nút. Rõ ràng là sẽ có thương mại-offs giữa phunvà thủy lợi để cải thiện tình trạng cây trồng và do đó trở lại, và các chi phínhững hành động. Đây sẽ phụ thuộc vào paramaterization của mô hình, ví dụxác suất của hạn hán, P(Climate:Drought), làm thế nào có hiệu quả các phun là,P (bệnh = NojSpray = Yes), có khả năng làm thế nào cây là hợp đồng căn bệnh nếu khôngphun, P (bệnh = YesjSpray = No), tốt như thế nào cây đối phó với thiếu nướcP (ConditionjDry = Yes;), và như vậy. Parametrization còn lại là một tập thể dục chongười đọc.Ví dụ 2: Tai nạn ô tô số tiền thiệt hại thực hiện trong một tai nạn xe hơi sẽphụ thuộc vào một loạt các yếu tố, bao gồm các tính năng khác nhau của xe hơi, giá trị hiện tại của nóvà tốc độ nó đã đi du lịch tại. Những lần lượt sẽ thay đổi theo thời tiết,giới hạn tốc độ và tính năng của driver.13Con số 4,20 cho thấy các lớp xe và tình hình trong ví dụ này. XeChủ sở hữu đối tượng là một thể hiện của lớp người có đầu ra nút tuổivà thu nhập. Giai cấp xe hơi có chứa các đối tượng khác-chủ sở hữu, động cơ, chỉ đạo,Lốp và phanh-đó là trường hợp của các lớp học khác không được hiển thị ở đây. XElớp có ẩn nút loại, tuổi tác, giá trị ban đầu, bảo trì và Mileage và đầu ranút-tốc độ tối đa, hiện tại-giá trị, chỉ đạo-Sa f ety và phanh-quyền lực. Các13This là một phiên bản sửa đổi của một ví dụ từ Koller và Pfeffer (1997a).Con số 4,20: Các xe hơi và tình hình lớp học cho ví dụ OOBN tai nạn xe hơi(chuyển thể từ Koller và Pfeffer, 1997a [hình 1]).Tình hình lớp có chứa, khóa học, một đối tượng xe hơi, cũng như các đối tượng (trình điều khiển vàRoad), đó là trường hợp của các lớp học khác cũng không hiển thị ở đây. Giao diện để cácTình hình lớp bao gồm một nút đầu vào thời tiết (mà có thể được kết nối với mộtMô hình phức tạp thời tiết) và một số đầu ra nút.4.7.4 "mối quan hệ là-A": lớp thừa kếThu giữ mối quan hệ là một phần quan trọng của các mô hình theo định hướng đối tượng. Đóng góicác đối tượng bên trong đối tượng khác cho phép chúng tôi để mô hình "một phần của" mối quan hệ.Đó là một mối quan hệ quan trọng trong mô hình OO, cụ thể là "được là một" mối quan hệ,với lớp con thừa kế các thuộc tính của các lớp khác. Một thể hiện của một phân lớpmột thể hiện của các lớp học phụ huynh (được gọi là lớp cha), đưa ra một "được là một" hệ thống.Chúng tôi làm theo Kjærulff và Madsen (2008) bằng cách xác định thừa kế là khả năng của mộttrường hợp để có các định nghĩa giao diện từ trường hợp khác. Vì vậy nếu C1 là một OOBN mạng lớp với đầu vào biến I1 và sản lượng biến O1, sau đó lớp C2 có thểlý thuyết như một phân lớp của C1 nếu và chỉ nếu I1 I2 và O1 O2. Trong khi ẩnnút và cấu trúc được không, theo định nghĩa này, thông qua từ lớp để phân lớp, trong thực tếhọ có thể rất giống nhau, với cấu trúc hoặc thông số điều chỉnh để phản ánh mộttình hình khác nhau, chuyên biệt hơn.Ví dụ, trong trang trại Orchard ví dụ ở trên, chúng tôi có thể phát triển một hệ thống phân cấplớp cây, như trong hình 4,21, mà sẽ cho phép chúng tôi để mô hình mà một cụ thểbệnh ảnh hưởng đến chỉ một số loại cây ăn quả, hoặc rằng loài khác nhau đáp ứng một cách khác nhau để sự căng thẳng không đủ nước. Con số 4,21: Có thể thứ bậc phân loại cây bằng cách sử dụng tiêu chuẩn UML(Fowler, 2003) Ký hiệu OO.Tương tự như vậy, trong ví dụ tai nạn ô tô, đối tượng trình điều khiển trong tình hìnhlớp có thể là một thể hiện của một phân lớp chi tiết hơn của lớp người, cho phépnhiều người trong số các nút của nó được thừa hưởng, thay vì định nghĩa lại.Thật không may, đến nay (để kiến thức của chúng tôi), có là không có OOBN khaiphần mềm hỗ trợ lớp thừa kế.4.8 tóm tắtĐể đưa ra quyết định, chúng tôi phải có khả năng đưa vào tuỳ chọn tài khoản giữakết quả khác nhau. Lý thuyết Tiện ích cung cấp một cách để đại diện cho và lý do vớisở thích. Sự kết hợp của lý thuyết Tiện ích và lý thuyết xác suất cho một khuôn khổđể đưa ra quyết định, nơi một người hợp lý sẽ làm cho sự lựa chọn tối đa hóaTiện ích dự kiến của mình hoặc của mình. Mở rộng mạng Bayes với quyết định nútvà các nút Tiện ích cung cấp cho chúng tôi quyết định mạng (cũng được gọi là ảnh hưởng sơ đồ). Đâybao gồm một đại diện rõ ràng của đặt hàng giữa thông tin và các quyết định,và quyết định và quyết định, và cho phép chúng tôi để đưa ra quyết định bị cô lập hoặc tuần tự.Bằng cách thêm một chiều hướng thời gian vào mạng Bayes, chúng tôi nhận được năng động Bayesmạng (DBNs), trong đó cho phép chúng tôi để mô hình một cách rõ ràng và lý do về thay đổi theo thời gian. Những lần lượt có thể được mở rộng với tiện ích và quyết định nút, để cung cấp cho năng độngquyết định mạng (DDNs). DDNs chạy vào các vấn đề phức tạp khi được sử dụng cho tổnglập kế hoạch, trong đó mục đích đặc biệt trường hợp lập kế hoạch đại diện và thuật toáncó thể hữu dụng hơn. Hướng đối tượng quyết định mạng Bayes (OOBNs) là generalisationsquyết định mạng, dựa trên một cấu trúc phân cấp thành phần. Họtạo thuận lợi cho xây dựng mạng và tái sử dụng bằng cách cho phép các đại diện của commonalitiescả hai cấu trúc và tham số.4.9 thư mục ghi chúẢnh hưởng sơ đồ ban đầu được phát triển như là một đại diện nhỏ gọn của quyết địnhcây quyết định phân tích. Các khái niệm cơ bản đã được phát triển bởi một nhóm tại SRI(Miller et al., 1976), và được chính thức giới thiệu bởi Howard và Matheson (1981).Jensen và Nielsen (2007) cho một bài trình bày chi tiết của một phương pháp để đánh giáquyết định mạng, và tóm tắt các phương pháp tiếp cận. Thuật ngữ "DBN" lần đầu tiênĐặt ra bởi Dean và Kanazawa (1989); nghiên cứu DBN đầu trong cộng đồng AIđược thực hiện bởi Nicholson (1992) và Kjærulff (1992).Chương của Kevin Murphy ngày DBNs cho văn bản sắp tới của Michael Jordancuốn sách, An Introduction to xác suất mô hình đồ họa, cho một rất toàn diệncuộc khảo sát của DBNs, kết nối của họ để ẩn mô hình Markov (HMMs) và nhà nướcSpace mô hình, và thuật toán suy luận chính xác và gần đúng (bao gồm cả lọcphương pháp tiếp cận). Kjaerulff (1995) Mô tả các đề án tính toán dHugin cho DBNsuy luận, bao gồm mở rộng cửa sổ và giảm, phía trước và trở lại interjunctioncây tuyên truyền và lấy mẫu phía trước cho xác suất chiếu.OOBNs xuất hiện trong các hình thức khác nhau từ các nhà nghiên cứu khác nhau từ cuối thập niên 1990, bao gồm (Koller và Pfeffer, 1997a, Laskey và Mahoney, 1997, Bangsovà Wuillemin, 2000, Neil et al., 2000). Koller và Friedman (2009) cung cấp cho một rất đầy đủCác mô tả chính thức của một biến thể, trong khi Kjærulff và Madsen (2008) và Jensenvà Nielsen (2007) Mô tả hương vị của OOBNs thực hiện trong Hugin.4.10 vấn đềTiện íchVấn đề 1Bạn có 20 £ của pho mát. Chúng tôi cung cấp cho một canh bạc với bạn: tung một công bằngđồng xu, nếu nó đi lên đầu, chúng tôi sẽ cung cấp cho bạn 130 thêm £ của pho mát; Nếu nó đi lênđuôi, chúng tôi sẽ xem của bạn £ 20 của pho mát. Những gì là giá trị kỳ vọng của gamble?Giả sử rằng bạn tối đa hóa tiện ích dự kiến của bạn và rằng bạn từ chối canh bạc này, những gì có thể bạn suy luận về chức năng tiện ích của bạn-có nghĩa là, bao nhiêu utiles (đơn vị cơ bảnTiện ích của bạn) là một bảng Anh của pho mát worth?Vấn đề 2Bạn có 20 utiles giá trị của sô cô la. Chúng tôi cung cấp cho một canh bạc với bạn: tungmột số đồng tiền, nếu nó đi lên đầu, chúng tôi sẽ cung cấp cho bạn 130 thêm giá trị utiles của sô cô la;Nếu nó đi lên đuôi, chúng tôi sẽ có giá trị 20 utiles của bạn của sô cô la. Giả định rằng bạntối đa hóa tiện ích dự kiến của bạn và rằng bạn từ chối canh bạc này, những gì bạn có thể suy ravề xác suất bạn cho đồng xu đích đầu?Mô hình hóaVấn đề 3Robert cố gắng để quyết định xem có nên học tập chăm chỉ cho trí tuệ nhân tạo Bayeskỳ thi. Ông muốn được hạnh phúc với một nhãn hiệu tốt (ví dụ, là một phân biệt cao) cho cácchủ đề, nhưng ông biết rằng nhãn hiệu của mình sẽ phụ thuộc không chỉ vào làm thế nào cứng ông nghiên cứu nhưngcũng về làm thế nào cứng là các kỳ thi và làm thế nào

Kết quả (Việt) 2:

Hình 4.18: Các BN thu được bằng cách đệ quy unfolding OOBN trong hình 4.17.
4.7.3 ví dụ OOBN
Ví dụ 1: Orchard Farming Ông Bunce chạy một trang trại, trong đó cũng có một nhỏ
vườn cây ăn quả. Khi cây ăn quả của ông đang đau khổ, hoặc là do thiếu nước, hoặc khi
bị bệnh, họ mất đi lá. Tùy chọn quản lý của ông bao gồm
phun thuốc để diệt trừ bệnh nấm đặc biệt và cung cấp nước thường xuyên hơn bằng cách
tưới, đặc biệt là khi có một hạn hán. Chi phí nhiều nước hơn trong một đợt hạn hán,
trong khi tình trạng chung của các cây cho phép anh ta để ước tính lợi nhuận kỳ vọng từ các crop.11
Hình 4.19 cho thấy một OOBN ví dụ này. Ở cấp độ cao nhất của sự trừu tượng,
các đối tượng BunceFarm chứa một Orchard mà bị ảnh hưởng bởi một sự kết hợp
của các hành động quản lý trang trại của ông Bunce và khí hậu. Lớp ORCHARD
chứa nhiều đối tượng cây, cũng như một nút trong đó tóm tắt các điều kiện của
tất cả các cây. Lợi nhuận từ cây ăn quả được mô hình hóa trong bảng tiện ích dành cho
nút Returns.
Lớp TREE là trừu tượng nhất trong ví dụ này, chỉ chứa thông thường
các nút, cho thấy rằng tình trạng của cây, được chỉ định bởi cho dù nó mất lá của nó, phụ thuộc
vào việc nó là bệnh và nhận được đủ nước. Các hành động Spray có thể
loại bỏ căn bệnh này, trong khi đó nước - được cung cấp bởi lượng mưa, không theo mô hình một cách rõ ràng
ở đây - được giảm trong thời hạn và có thể được thúc đẩy bởi Irrigation.12
Hạn hán là một nút đầu vào của lớp TREE, đến từ các đối tượng Khí hậu
ban đầu trong khi Phun và nút đầu vào tưới tiêu trong từng đối tượng cây đi ban đầu
từ các đối tượng BunceFarm, tất cả qua các đối tượng Orchard. Lưu ý rằng trong khi ở đây
ví dụ lớp KHÍ HẬU chỉ chứa các đơn bình thường nút Hạn hán, nó có thể
được mở rộng thành một tiểu mô hình phức tạp hơn để dự đoán hạn hán.
Lưu ý rằng các chi phí liên quan đến việc quyết định Spray và thủy lợi được mô hình
với các nút tiện ích bao gồm ở mức cao nhất, tức là, nơi Spray và Irri-
11This là một phiên bản mở rộng của Kjaerulff và Madsen của (2008) Apple Tree OOBN dụ.
12Note rằng đối với việc ra quyết định tuần tự, sẽ có một liên kết ưu tiên giữa hai hành động
nút, phun và Thủy lợi .
Hình 4.19: Một OOBN cho các ví dụ trang trại Orchard (trên cùng bên trái) cùng
với. TREE lớp
gation không nút đầu vào. Rõ ràng là sẽ được thương mại-off giữa phun
và tưới để cải thiện tình trạng cây trồng và do đó trở về, và các chi phí của các
hoạt động trên. These will depend on the paramaterization of the model, for example
the probability of drought, P(Climate:Drought), how effective the spraying is,
P(Sick = NojSpray = Yes), how likely the trees are to contract the disease if not
phun, P (Sick = YesjSpray = Không), tốt như thế nào đối phó với cây thiếu nước
P (ConditionjDry = Có;), và như vậy. Các parametrization là trái như một bài tập cho
người đọc.
Ví dụ 2: Các tai nạn xe các số tiền thiệt hại được thực hiện trong một tai nạn xe hơi sẽ
phụ thuộc vào nhiều yếu tố, bao gồm các tính năng khác nhau của xe, giá trị hiện tại của nó
và tốc độ nó đã được đi du lịch tại. Những lần lượt sẽ thay đổi tùy theo thời tiết,
các hạn chế tốc độ và tính năng của các driver.13
Hình 4.20 cho thấy các lớp CAR và tình hình cho ví dụ này. Chiếc xe
đối tượng chủ là một thể hiện của lớp PERSON, trong đó có các nút đầu ra Age
và thu nhập. Lớp CAR chứa chứa các đối tượng khác - Chủ đầu tư, Công cụ, chỉ đạo,
Lốp và Phanh - đó là trường hợp của các lớp khác không được hiển thị ở đây. Các CAR
lớp đã ẩn nút Type, Age, giá trị gốc, bảo trì và Mileage và sản lượng
các nút Max-Speed, hiện tại-Value, chỉ đạo-Sa f ety và phanh-Power. Các
13This là một phiên bản sửa đổi của một ví dụ từ Koller và Pfeffer (1997a).
HÌNH 4.20: Các CAR và lớp TRẠNG cho ví dụ tai nạn xe hơi
OOBN. (Chuyển thể từ Koller và Pfeffer, 1997a [. Hình 1])
lớp TRẠNG chứa, Tất nhiên, một đối tượng ô tô, cũng như đối tượng (Driver và
đường), đó là trường hợp của các lớp khác cũng không được hiển thị ở đây. The interface to the
SITUATION class consists of a Weather input node (which could be connected to a
complex weather model) and several output nodes.
4.7.4 “is-A” relationship: Class inheritance
Capturing relationships is an important part of the object oriented mô hình. Việc đóng gói
của các đối tượng trong các đối tượng khác cho phép chúng ta mô hình "bán của" các mối quan hệ.
Còn có một mối quan hệ quan trọng trong mô hình OO, cụ thể là "có-một" mối quan hệ,
với các lớp con kế thừa các thuộc tính của các lớp khác. Một thể hiện của một lớp con
là một thể hiện của lớp cha của nó (gọi là lớp cha), đưa ra một "là-một" hệ thống phân cấp.
Chúng tôi làm theo Kjærulff và Madsen (2008) bằng cách xác định thừa kế theo khả năng của một
ví dụ để có định nghĩa giao diện của nó từ các trường hợp khác. Vì vậy, nếu C1 là một lớp mạng OOBN với các biến số đầu vào I1 và các biến đầu ra O1, sau đó lớp C2 có thể được
quy định như một lớp con của C1 nếu và chỉ nếu I1? I2 và O1? O2. Trong khi các ẩn
các nút và các cấu trúc không phải là, trong định nghĩa này, truyền từ lớp để phân lớp, trong thực tế
họ có thể rất tương tự, với các cấu trúc hoặc các thông số điều chỉnh để phản ánh
một, tình hình chuyên biệt hơn khác nhau.
Ví dụ, trong ví dụ trang trại Orchard ở trên, chúng ta có thể phát triển một hệ thống
của lớp Tree, như trong Hình 4.21, mà sẽ cho phép chúng ta mô hình đó một cụ thể
bệnh chỉ ảnh ​​hưởng đến một số loại cây ăn quả, hoặc các loài khác nhau phản ứng khác nhau với sự căng thẳng của thiếu nước. Hình 4.21: Một phân loại theo cấp bậc có thể có của cây sử dụng UML
chuẩn. (Fowler, 2003) ký hiệu OO
Tương tự như vậy, trong ví dụ tai nạn xe, đối tượng điều khiển trong tình hình
lớp có thể là một thể hiện của một lớp con chi tiết hơn về các lớp PERSON, cho phép
nhiều các nút của nó được thừa hưởng chứ không phải là định nghĩa lại.
Thật không may, cho đến nay (để kiến thức của chúng tôi), không có công khai OOBN sẵn
phần mềm hỗ trợ các lớp kế thừa.
4.8 Tóm tắt
Để đưa ra quyết định, chúng ta phải có khả năng đưa vào tùy chọn tài khoản giữa
kết quả khác nhau. Lý thuyết Utility cung cấp một cách để đại diện và lý do với
sở thích. Sự kết hợp giữa lý thuyết tiện ích và lý thuyết xác suất cho một khuôn khổ
cho việc ra quyết định, nơi mà một vật có lý trí nên có những lựa chọn tối đa hóa
của mình hoặc tiện ích dự kiến của mình. Mở rộng mạng Bayesian với các nút quyết định
và các nút tiện ích cho chúng ta quyết định mạng (còn gọi là biểu đồ ảnh hưởng). Những
bao gồm một đại diện rõ ràng của lệnh giữa thông tin và ra quyết định,
và các quyết định và các quyết định, và cho phép chúng tôi đưa ra quyết định cách ly hoặc tuần tự.
Bằng cách thêm vào một chiều thời gian để các mạng Bayes, chúng tôi nhận Bayesian động
mạng (DBNs), trong đó cho phép chúng tôi một cách rõ ràng mô hình và lập luận về những thay đổi theo thời gian. Những lần lượt có thể được mở rộng với các tiện ích và quyết định các nút, để cung cấp cho động
mạng quyết định (DDNS). DDNS chạy vào các vấn đề phức tạp khi sử dụng chung cho các
quy hoạch, trong đó có trường hợp đại diện quy hoạch mục đích đặc biệt và các thuật toán
có thể hữu ích hơn. Mạng lưới quyết định Bayesian hướng đối tượng (OOBNs) là những khái quát
của mạng quyết định, dựa trên một cấu trúc thành phần thứ bậc. Họ
tạo điều kiện xây dựng mạng lưới và tái sử dụng bằng cách cho phép các đại diện của tương
của cả hai cấu trúc và các thông số.
4.9 thư mục lưu
sơ đồ ảnh hưởng ban đầu được phát triển như là một đại diện nhỏ gọn của quyết định
cây để phân tích quyết định. Các khái niệm cơ bản được phát triển bởi một nhóm tại SRI
(Miller et al., 1976), và đã được chính thức giới thiệu bởi Howard và Matheson (1981).
Jensen và Nielsen (2007) đưa ra một bài trình bày chi tiết về một phương pháp để đánh giá
mạng quyết định, và tóm tắt các cách tiếp cận khác.
nghiên cứu DBN sớm khác trong cộng đồng AI
đã được thực hiện bởi Nicholson (1992) và Kjærulff (1992).
Các chương Kevin Murphy trên DBNs cho văn bản sắp tới Michael Jordan của
cuốn sách, An Introduction to xác suất đồ họa mô hình, cung cấp cho một rất toàn diện
khảo sát của DBNs, kết nối của họ để mô hình Markov ẩn (HMMs) và trạng thái
mô hình không gian, và các thuật toán suy luận chính xác và gần đúng (bao gồm lọc
phương pháp tiếp cận). Kjaerulff (1995) mô tả các tính toán sơ đồ dHugin cho DBN
suy luận, trong đó bao gồm việc mở rộng cửa sổ và giảm, về phía trước và trở lại interjunction
tuyên truyền cây và chuyển tiếp lấy mẫu cho chiếu theo xác suất.
OOBNs xuất hiện trong hình thức của các nhà nghiên cứu khác nhau từ cuối những năm 1990, bao gồm (Koller và Pfeffer, 1997a, Laskey và Mahoney, 1997, Bangso
và Wuillemin, 2000, Neil et al., 2000). Koller và Friedman (2009) đưa ra một rất đầy đủ
mô tả chính thức của một sự thay đổi, trong khi Kjærulff và Madsen (2008) và Jensen
và Nielsen (2007) mô tả hương vị của OOBNs thực hiện trong Hugin.
4.10 Vấn đề
Utility
Vấn đề 1
Bạn có 20 pound phô mai . Chúng tôi cung cấp để thực hiện một canh bạc với bạn: ném một công bằng
đồng xu, nếu nó hiện lên đầu, chúng tôi sẽ cung cấp cho bạn 130 nhiều pound phô mai; nếu nó hiện lên
cái đuôi, chúng ta sẽ mất £ 20 của pho mát. Giá trị dự kiến của các đánh bạc là gì?
Giả sử rằng bạn tối đa hóa thỏa dụng kỳ vọng của bạn và bạn từ chối canh bạc này, những gì bạn có thể suy luận về chức năng mà tiện ích của bạn là bao nhiêu utiles (đơn vị cơ bản
của tiện ích của bạn) là một cân pho mát có giá trị?
Vấn đề 2
Bạn có 20 utiles giá trị của sô cô la. Chúng tôi cung cấp để thực hiện một canh bạc với bạn: ném
một đồng xu, nếu nó hiện lên đầu, chúng tôi sẽ cung cấp cho bạn hơn 130 utiles giá trị của sô cô la;
nếu nó hiện lên cái đuôi, chúng ta sẽ mất 20 utiles bạn có giá trị của sô cô la. Giả sử rằng bạn
tối đa hóa thỏa dụng kỳ vọng của bạn và bạn từ chối canh bạc này, những gì bạn có thể suy luận
về khả năng cung cấp cho bạn với người đứng đầu xu đích?
Modeling
Vấn đề 3
Robert đang cố gắng để quyết định xem có nên học tập chăm chỉ cho Bayesian Artificial Intelligence
thi. Ông sẽ được hạnh phúc với một nhãn hiệu tốt (ví dụ, một Distinction cao) cho các
đối tượng, nhưng ông biết rằng nhãn hiệu của mình sẽ phụ thuộc không chỉ vào cách cứng ông nghiên cứu nhưng
còn về cách cứng các kỳ thi và làm thế nào