基于联合树的高维数据本地化差分隐私保护算法

为解决发布高维数据过程中复杂的属性关联问题并避免中心服务器不可信任的问题,提出一种基于联合树的高维数据本地化差分隐私保护算法(JT-LDP算法)。基于不可信的中心服务器实现对用户数据的本地化差分隐私保护,中心服务器接收到用户本地化差分隐私保护的数据后,基于联合树算法识别高维数据的属性相关性,将高维数据属性集分割成多个独立的低维属性集。通过采样合成新的数据集进行发布。实验结果表明,JT-LDP算法在高维数据情况下具有更高的精度。

1(1/2)片联合树算法在动态贝叶斯网精确推理中的应用

基于动态贝叶斯网络处理动态不确定性问题的过程中推理是非常重要的,而推理算法的优劣决定着推理的执行效率。该文提出一种较简单的112片联合树算法,在不需要限制消去顺序且只作一次扩展的条件下构造联合树,所以算法简单且具有较小的复杂度。

动态贝叶斯网精确推理中联合树算法的改进

基于动态贝叶斯网络处理动态不确定性问题的过程中推理是非常重要的,而推理算法的优劣决定推理的执行效率。在分析联合树性质的基础上提出一种较简单的112片联合树算法,该算法不需要限制消去顺序且只做一次扩展。讨论了算法的复杂度、并做了试验比较。

微分MPE问题的联合树算法

贝叶斯网络的最大可能解释(MPE)就是在给定一些变量的值时求使这些变量的概率达到最大值时其它变量的最可能取值,本文提出用联合树来求MPE问题的一阶微分并在此基础上求MPE实例.本文先通过观察和积问题的微分提出了一个微分表,并在此基础上提出求MPE问题一阶微分的方法和用联合树求MPE问题微分的公式,同时给出了求MPE问题二阶微分的公式;接着给出了一个策略来用一阶微分的结论求MPE实例,并通过贝叶斯网络的数据特性来优化MPE实例的求解;在此基础上提出一个算法来用联合树微分MPE问题和求MPE实例.最后,通过实验证实该算法计算MPE实例时的高效性.

动态贝叶斯网精确推理中联合树算法的改进

基于动态贝叶斯网络处理动态不确定性问题的过程中推理是非常重要的,而推理算法的优劣决定推理的执行效率;文章在分析联合树性质的基础上提出一种较简单的3/2片联合树算法,该算法不需要限制消去顺序且只作一次扩展;讨论了算法的复杂度,并作了试验比较。

贝叶斯网络中基于联合树算法的学生模型更新方法研究

在已建立的覆盖型贝叶斯网络学生模型的基础上,用联合树算法来实现推理更新.通过建立Moral图、构造三角化图、区分团节点,然后将学生模型转化为联合树的结构,最后通过消息传递来完成整个学生模型的更新.

基于联合树的隐私高维数据发布方法

基于差分隐私的数据发布已得到研究者的广泛关注.然而,现有的发布方法却不能有效地处理高维数据,其原因在于维度灾难和值域多样会引入极大的噪音值,进而使得发布结果的可用性比较低.基于此,提出一种基于联合树的隐私高维数据发布方法 PrivHD(differentially private high dimensional data release),该方法通过指数机制构造Markov网,引入满足差分隐私的高通滤波技术缩减指数机制搜索空间.结合充分三角化操作和顶点消除操作对Markov网分割来获得完全团图,采用最大生成树方法生成满足差分隐私的联合树.利用联合树中各个团后置处理之后的联合分布表合成最终的高维数据.基于真实的高维数据集比较PrivHD算法与PrivBayes(private Bayesian network),JTree(junction tree)算法的精度,实验结果表明:PrivHD算法的k-way查询和SVM(support vector machine)分类精度优于同类算法.

面向战场态势评估的联合树相关推理

本文首先从战场态势与事件间的因果关系出发,构建了用于态势评估的贝叶斯网络推理模型;分析了联合树算法在态势评估中所存在的问题,结合基于D分离的相关推理在模型结构挖掘方面的特性,提出了一种联合树相关推理方法;最后,通过实验验证了该方法的有效性和准确性,为态势评估下的精确推理提供了一种有效的解决方案.

基于图模型的联合树算法研究

基于惰性传播的联合树算法具有较高的计算精度,但利用逆转弧在传递信息过程中增加了很多填充边,算法性能受到一定限制。为减少填充边的引入,在逆转弧变量消除算法信息传递的基础上,给出了最少填充边算法。该算法依照得分函数确定逆转弧的消元顺序,使得传递信息过程中引入较少的填充边。通过实例验证了该算法的有效性。

基于图的邻接点优先的联合树算法的研究与实现

贝叶斯网络是以概率理论为基础的不确定知识表示模型,联合树算法是一种应用广泛的贝叶斯网络推理算法。提出了基于邻接点优先的联合树算法,从图模型和计算效率两个方面对联合树算法(JT)和基于图的邻接点优先的联合树(AD-JT)算法进行推理时间的比较,实验表明:基于图的邻接点优先的联合树算法能够有效地处理大规模数据,极大地减少了消耗时间,计算效率有显著改进。

360与微软在线战略合作 强强联合树立品牌营销新模式

1月15日,360公司联合微软在线战略合作发布会在北京丽都皇冠假日酒店隆重举办。本次发布会以建立360品牌广告联盟为目的,旨在为未来品牌营销树立更佳的合作模式。作为首家入驻的合作伙伴,微软在线旗下以MSN中文网为主的一系列展示类广告产品线将助力＂品牌广告联盟＂的发展。

基于联结树的贝叶斯网的推理结构及构造算法

合肥工业大学材料成型与控制工程系,安徽合肥230009;合肥工业大学计算机网络研究所,安徽合肥 230009) BN(贝叶斯网)被认为是人工智能研究中不确定性知识表示和推理的重要工具,广泛应用到复杂系统的建模等领域,成为人工智能研究的热点问题之一。然而直接在BN上精确推理与近似推理都被证明是NP完全的。因此把在BN上推理转变为在SS(二次结构)上的推理。SS是由JT(联结树)与BP(信念势)组成,构造JT大体分为三步即:把BN对应的有向无环图G转变为一个道义图GM;把GM转变为弦化图GT,识别和选择GT图的圈;连接圈和边建立JT。因而提出了建立GM、GT与JT的方法原理和算法。最后通过案例分析了GM、GT与JT构造过程。

基于故障树和Bayes网络组合的装备故障诊断

针对故障树和Bayes网络在故障诊断中的局限性,提出一种使用故障树和Bayes网络组合的方式建立诊断故障Bayes网络,并基于诊断故障Bayes网络运用联合树推理进行故障诊断的方法.该方法解决了在复杂系统故障诊断过程中独立运用故障树和Bayes网络出现故障推理能力弱和建模难等问题.实验结果表明,使用该方法对某型舰船上的甲板灯光照明系统进行故障诊断,得出了各个故障征兆节点或故障原因节点的概率分布,从而可快速准确地定位甲板灯光照明系统故障.

基于多Agent传动关系的股市趋势预测

股市趋势预测是机器学习领域中一个具有挑战性的任务。由于一些因素对于股市的影响是动态且不确定的,导致股市趋势难以预测。针对已有方法在股市预测时存在的灵敏性差、适应力弱等问题,从快变量和慢变量的传动关系出发,利用Agent技术对股市中的快周期和慢周期进行联合建模,提出一种多Agent传动影响图(MATID)股市趋势预测方法。给出股市中快周期和慢周期的划分标准,并引入周期能量的概念;通过对相关趋势指标的特征融合,给出周期能量的量化计算方法;通过分析快周期和慢周期的动态作用过程,给出传动因子的表示方法;将快周期和慢周期分别对应成不同的Agent,利用多Agent影响图模型建模快周期和慢周期的传动过程;利用股市振子模型表示快Agent和慢Agent之间的传动效用,利用联合树的自动推理技术对股市趋势进行预测。在不同样本数量和不同股市趋势下进行实验,结果表明,与门控循环单元、S-LSTM和Hybrid-RNN预测方法相比,MATID方法预测精确率提升1.5%~7.0%,召回率提升5.4%~6.7%,F1值提升3.7%~6.2%,具有良好的灵敏性和适应力。

基于贝叶斯网络的高铁塞拉门故障诊断研究

塞拉门系统是高铁的重要组成部分,为了解决目前塞拉门系统故障诊断效率低、准确性差等问题,提出了一种基于贝叶斯网络的高铁塞拉门故障诊断方法。首先通过对塞拉门历史故障数据进行分析,构建出塞拉门的故障树模型,详细说明故障树模型向贝叶斯网络转化过程,主要包括有向无环图和条件概率表两方面内容,采用联合树算法进行网络推理,通过诊断推理完成对高铁塞拉门系统的故障诊断分析,从而快速确定故障模式与故障点。实验分析结果验证了该方法的可行性。

一种基于DBN和TOPSIS法的多目标威胁评估算法

针对目前已有多目标威胁评估方法主观性强、稳定性弱、评估过程不连续的问题,综合考虑目标运动特性、目标行为意图,提出了一种基于动态贝叶斯网络(Dynamic Bayesian Network,DBN)和逼近理想解法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)的多目标威胁评估方法DBN-TOPSIS。通过分析目标特征指标间的节点关系,建立多目标威胁评估DBN。采用模糊理论,通过梯形隶属度函数对战场传感器、雷达等获取的连续型特征指标数据进行离散化处理,统一特征指标形态。利用联合树(Junction Tree,J-tree)算法进行动态威胁程度推理。构造DBN推理结果与TOPSIS评估矩阵之间的映射关系,采用TOPSIS法将威胁评估概率结果转换为威胁程度综合评估得分,进行多目标威胁程度准确排序。实验结果表明,DBN-TOPSIS多目标威胁评估方法具有较好的合理性和准确性。

多Agent动态影响图及其一种近似推理算法研究

针对多Agent影响图不能建模动态环境和多Agent马尔可夫决策过程难以表示Agents之间结构关系的问题,提出一种新决策模型——多Agent动态影响图(MADIDs).为了能有效地对MADIDs进行推理,提出一种扩展的BK(EBK)近似推理算法,其扩展体现在三个方面:在BK算法中加入效用结点的边际化操作,加入分割团来减小BK算法的推理误差,使用MADIDs分层分解所生成的联合树来降低推理的复杂性.在模型实例上的实验结果显示了MADIDs模型和EBK算法的有效性.

一种高效的贝叶斯网络敏感性分析方法

我们经常需要修改网络参数以在局部信任度改变时集成新的概率信息,贝叶斯网络的敏感性分析就是研究网络参数与输出概率之间的关系.首先剪枝掉那些不能到达证据的节点,然后采用联合树算法对剪枝后的贝叶斯网络进行的敏感性分析,该算法在每一簇中缓存中间结果以加速计算P(e)相对于下一变量P(xi|ui)的一阶偏导;并且能够在各个簇中并行地计算导数.我们利用偏导的计算结果对两类网络参数进行敏感性分析:调整单个参数和调整整个条件概率表,并分别提出算法来进行处理.最后,实验结果证实了我们的算法在进行敏感性分析时的高效性.

多Agent动态影响图的近似计算方法

由于复杂系统具有高维性和不确定性常难以表示处理,因而知识表示和计算方法是复杂系统研究中的公开难题.当前,多Agent影响图不能建模动态环境和多Agent,马尔可夫决策过程难以表示A-gents之间结构关系的问题,因而提出一种用局部概率因式表示动态环境中多Agent之间关系的新决策模型——多Agent动态影响图(MADIDs).针对MADIDs模型的联合概率分布和联合效用函数在计算上的高维问题,研究该模型的近似计算方法.给出MADIDs概率结构部分的一种分层分解的分布近似方法,并通过对该近似方法的误差和复杂性的分析,给出一个可对近似分布的精度和复杂性进行均衡的函数δ(k);给出一种BP神经网络通过局部效用的学习来近似计算MADIDs的联合效用.在模型实例上的实验结果显示了MADIDs模型近似计算方法的有效性.

贝叶斯网络精确推理算法的研究

贝叶斯网络是以概率理论为基础的不确定知识表示模型,贝叶斯网络推理的目的是得到随机变量的概率分布。目前,最流行的推理算法是联合树算法,它的主要思想是将贝叶斯网络转化为一棵无向树,在无向树上完成消息传递过程,求出原贝叶斯网络中任意随机变量的概率分布。为了降低算法的计算时空复杂度,对算法进行了不断的改进,为贝叶斯网络推理算法的进一步研究提供了条件。