Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Minimizing Regret in Dynamic Decision Problems Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Learning Structure in Evidential Networks from Evidential DataBases

verfasst von : Narjes Ben Hariz, Boutheina Ben Yaghlane

Erschienen in: Symbolic and Quantitative Approaches to Reasoning with Uncertainty

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Evidential networks have gained a growing interest as a good tool fusing belief function theory and graph theory to analyze complex systems with uncertain data. The graphical structure of these models is not always clear, it can be fixed by experts or constructed from existing data. The main issue of this paper is how to extract the graphical structure of an evidential network from imperfect data stored in evidential databases.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Computing Concise Representations of Semi-graphoid Independency Models
Nächstes Kapitel Evaluating Product-Based Possibilistic Networks Learning Algorithms
Literatur
1.
Bach Tobji, M.A., Ben Yaghlane, B., Mellouli, K.: A new algorithm for mining frequent itemsets from evidential databases. In: Proceedings of Information Processing and Management of Uncertainty (IPMU 2008), pp. 1535–1542, Malaga (2008)
2.
Ben Hariz, N., Ben Yaghlane, B.: Learning parameters in directed evidential networks with conditional belief functions. In: Cuzzolin, F. (ed.) BELIEF 2014. LNCS, vol. 8764, pp. 294–303. Springer, Heidelberg (2014)
3.
Ben Yaghlane, B.: Uncertainty Representation and Reasoning in Directed Evidential Networks. P.hD. thesis, Institut Supérieur de Gestion de Tunis (2002)
4.
Ben Yaghlane, B., Mellouli, K.: Inference in directed evidential networks based on the transferable belief model. IJAR 48(2), 399–418 (2008)MathSciNetMATH
5.
Chickering, D.: Optimal structure identification with greedy search. J. Mach. Learn. Res. 3, 507–554 (2002)MathSciNetMATH
6.
Dempster, A.P., Laird, N.M., Rubin, D.B.: Maximum likelihood from incomplete data via the EM algorithm. J. Roy. Stat. Soc. Ser. B 39, 1–38 (1977)MathSciNetMATH
7.
Denœux, T.: Maximum likelihood estimation from uncertain data in the belief function framework. Knowl. Data Eng. 25, 113–119 (2013)
8.
Hewawasam, K., Premaratne, K., Subasingha, S., Shyu, M.-L.: Rule mining and classifcation in imperfect databases. In: Proceedings of the 8th International Conference on Information Fusion, vol. 1, pp. 661–668, Philadelphia (2005)
9.
Jordan, M.: Learning in Graphical Models. Kluwer Academic Publisher, New York (1998) CrossRef
10.
Krause, P.J.: Learning probabilistic networks. Knowl. Eng. Rev. 13(4), 321–351 (1998)CrossRef
11.
Lauritzen, S.L., Spiegelhalter, D.J.: Local computation with probabilities and graphical structures and their application to expert systems. J. Roy. Stat. Soc. B 50, 157–224 (1988)MathSciNetMATH
12.
Naim, P., Wuillemin, P.H., Leray, P., Pourret, O., Becker, A.: Réseaux Bayésiens. Eyrolles, Paris (2004)
13.
Neapolitan, R.: Learning Bayesian Networks. Prenctice Hall, New York (2003)
14.
Pearl, J.: Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann, New York (1988)MATH
15.
Pearl, J., Verma, T.: A theory of inferred causation. In: Allen, J., Fikes, R., Sandewall, E. (eds.) Proceedings of the Second International Conference on Knowledge Representation and Reasoning, pp. 441–452. Morgan Kaufmann, New York (1991)
16.
Petitrenaud, S.: Independence tests for uncertain data with a frequentist method. In: Proceedings of the 5th International Conference on Soft Methods in Probability and Statistic (SMPS 2010), pp. 519–526 (2010)
17.
Shafer, G.: A Mathematical Theory of Evidence. Princeton University Press, Princeton (1976)MATH
18.
Smets, P.: Jeffrey’s rule of conditioning generalized to belief functions. In: Proceedings of the Ninth international conference on Uncertainty in artificial intelligence (UAI 1993), pp. 500–505, Washington (1993)
19.
20.
Spirtes, P., Glymour, C., Scheines, R.: Causation, Prediction, and Search. Springer-Verlag, New York (2000)MATH
21.
Tang, Y., Zheng, J.: Dempster conditioning and conditional independence in evidence theory. In: Australian Conference on Artificial Intelligence, vol. 3809, pp. 822–825, Sydney (2005)
22.
Verma, T., Pearl, J.: Equivalence and synthesis of causal models. In: Proceedings of Sixth Conference on Uncertainty in Artifcial Intelligence, pp. 220–227 (1990)
23.
Xu, H., Smets, Ph.: Evidential reasoning with conditional belief functions. In: Heckerman, D., et al. (eds.) Proceedings of Uncertainty in Artificial Intelligence (UAI 1994), pp. 598–606, Seattle (1994)
Metadaten
Titel
Learning Structure in Evidential Networks from Evidential DataBases
verfasst von
Narjes Ben Hariz
Boutheina Ben Yaghlane
Copyright-Jahr
2015
Buch
Symbolic and Quantitative Approaches to Reasoning with Uncertainty

Print ISBN: 978-3-319-20806-0

Electronic ISBN: 978-3-319-20807-7

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-20807-7_27