Alternatively, we can put this meas

Alternatively, we can put this measure in terms of the updated belief for query note X.
where Bel(X) is computed by an exact algorithm and Bel0(X) by the approximate
algorithm. Of course, this measure can only be applied when the network is such that
the exact posterior can be computed.
When there is more than one query node, we should use the marginal KL divergence
over all the query nodes. For example, if X and Y are query nodes, and Z the evidence, we should use Often the average or the sum
of the KL divergences for the individual query nodes are used to estimate the error
measure, which is not exact. Problem 3.11 involves plotting the KL divergence to
compare the performance of approximate inference algorithms.
FIGURE 3.13: Comparison of the logic sampling and likelihood-weighting approximate
inference algorithms.
An example of this use of KL divergence is shown in Figure 3.13. These graphs
show the results of an algorithm comparison experiment (Nicholson and Jitnah,
1996). The test network contained 99 nodes and 131 arcs, and the LS and LW algorithms
were compared for two cases:
 Experiment 1: evidence added for 1 root node, while query nodes were all 35
leaf nodes.
 Experiment 2: evidence added for 1 leaf node, while query nodes were all 29
root nodes (29).
As well as confirming the faster convergence of LW compared to LS, these and
other results show that stochastic simulation methods perform better when evidence
is nearer to root nodes (Nicholson and Jitnah, 1996). In many real domains when
the task is one of diagnosis, evidence tends to be near leaves, resulting in poorer
performance of the stochastic simulation algorithms.

Kết quả (Việt) 1:

Ngoài ra, chúng tôi có thể đặt các biện pháp này trong điều khoản của niềm tin Cập Nhật cho lưu ý truy vấn X.nơi Bel(X) được tính bởi một thuật toán chính xác và Bel0(X) bởi các khoảngthuật toán. Tất nhiên, biện pháp này có thể chỉ được áp dụng khi mạng là như vậy màsau chính xác có thể được tính toán.Khi có nhiều hơn một truy vấn nút, chúng tôi nên sử dụng phân kỳ KL biêntrên tất cả các nút truy vấn. Ví dụ, nếu X và Y là các nút truy vấn, và Z các bằng chứng, chúng tôi nên sử dụng thường xuyên với mức trung bình hoặc tổngcủa KL divergences cho các nút cá nhân truy vấn được sử dụng để ước tính lỗibiện pháp, đó là không chính xác. Vấn đề 3,11 liên quan đến âm mưu phân kỳ KL đểso sánh hiệu suất của thuật toán xấp xỉ suy luận.HÌNH 3,13: So sánh của logic lấy mẫu và khả năng-nặng gần đúngthuật toán suy luận.Một ví dụ về việc sử dụng này của KL phân kỳ được hiển thị trong hình 3,13. Các đồ thịHiển thị các kết quả của một thử nghiệm so sánh thuật toán (Nicholson và Jitnah,Năm 1996). thử nghiệm mạng chứa 99 nút và 131 vòng cung, và các LS và thuật toán LWđã so sánh cho hai trường hợp:Thử nghiệm 1: bằng chứng được gửi cho nút gốc 1, trong khi các nút truy vấn là tất cả 35các nút lá.Thử nghiệm 2: bằng chứng thêm cho 1 lá nút, trong khi các nút truy vấn là tất cả 29gốc nút (29).Cũng như xác nhận sự hội tụ nhanh hơn của LW so với LS, đây vàCác kết quả cho thấy rằng phương pháp mô phỏng ngẫu nhiên thực hiện tốt hơn khi bằng chứnglà gần đến gốc nút (Nicholson và Jitnah, 1996). Trong nhiều lĩnh vực thực tế khinhiệm vụ là một chẩn đoán, bằng chứng có xu hướng gần lá, dẫn đến nghèohiệu suất của các thuật toán mô phỏng ngẫu nhiên.

Kết quả (Việt) 2:

Ngoài ra, chúng ta có thể đặt biện pháp này trong điều khoản của niềm tin cập nhật cho truy vấn lưu ý X.
nơi Bel (X) được tính bằng một thuật toán chính xác và Bel0 (X) bằng xấp xỉ
thuật toán. Tất nhiên, biện pháp này chỉ có thể được áp dụng khi mạng là như vậy mà
hậu chính xác có thể được tính toán.
Khi có nhiều hơn một nút truy vấn, chúng ta nên sử dụng các phân kỳ KL biên
trên tất cả các nút truy vấn. Ví dụ, nếu X và Y là các nút truy vấn, và Z bằng chứng, chúng ta nên sử dụng thường trung bình hoặc tổng
của các phân kỳ KL cho các nút truy vấn cá nhân được sử dụng để ước tính các lỗi
đo, mà không phải là chính xác. Vấn đề liên quan đến âm mưu 3.11 phân kỳ KL để
so sánh hiệu suất của thuật toán suy luận xấp xỉ.
HÌNH 3.13: So sánh các mẫu logic và khả năng xấp xỉ-trọng. Thuật toán suy luận Một ví dụ về việc sử dụng này của KL phân kỳ được thể hiện trong hình 3.13. Những đồ thị hiển thị các kết quả của một thử nghiệm thuật toán so sánh (Nicholson và Jitnah, 1996). Các mạng thử nghiệm chứa 99 nút và 131 vòng cung, và các LS và các thuật toán LW được so sánh hai trường hợp:? Thí nghiệm 1: bằng chứng thêm cho 1 nút gốc, trong khi các nút truy vấn đã được tất cả 35 nút lá.? Thí nghiệm 2: bằng chứng thêm cho 1 nút lá, trong khi các nút truy vấn đều là 29. Nút gốc (29) Cũng như khẳng định sự hội tụ nhanh hơn của LW so với LS, những điều này và kết quả khác cho thấy rằng phương pháp mô phỏng ngẫu nhiên thực hiện tốt hơn khi có bằng chứng là gần đến nút gốc (Nicholson và Jitnah, 1996). Trong nhiều lĩnh vực sản khi nhiệm vụ là một trong chẩn đoán, bằng chứng có xu hướng được gần lá, kết quả kém hơn hiệu suất của thuật toán mô phỏng ngẫu nhiên.