技术定义
用有向无环图与条件概率表达变量依赖，并在观察证据后更新信念的方法。
Pearl等人的研究把概率知识与图结构结合，用条件独立性分解复杂分布，并研究高效的局部信息传播。
树形或单连通网络中的结果不能直接推广为任意图都可高效精确推断。普通贝叶斯网络表达概率依赖，若要赋予因果意义还需要额外假设。
原理与影响
解决的问题
- 在信息不完整和带不确定性的条件下组织知识并推断。
核心原理
- 用条件概率分解联合分布，再依据证据计算后验。
相对前代的改进
暂无记录
技术意义
- 为AI中的不确定性推理提供系统化工具。
历史与应用
人物
Judea Pearl
组织
暂无记录
事件
暂无记录
典型应用
不确定性推理、诊断支持
留下的局限
- 结构与概率需有依据，复杂网络推断可能昂贵；相关性不自动等于因果性。
上下游关系
上游
暂无直接上游记录
下游
证据：Fusion, Propagation, and Structuring in Belief Networks — 原作者收录的经典论文评述