search query: @keyword Bayes-verkot / total: 6
results-list
reference: 1 / 6
« previous | next »
Author:Laitila, Pekka
Title:Improving the Use of Ranked Nodes in Elicitation of Conditional Probabilities for Bayesian Networks
Järjestysperusteisten solmujen käytön parantaminen Bayes-verkkojen ehdollisten todennäköisyyksien arvioimisessa
Publication type:Master's thesis
Publication year:2013
Pages:123      Language:   eng
Department/School:Perustieteiden korkeakoulu
Main subject:Sovellettu matematiikka   (Mat-2)
Supervisor:Hämäläinen, Raimo P.
Instructor:Virtanen, Kai
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark Aalto  249   | Archive
Keywords:Bayesian networks
influence diagrams
probability elicitation
ranked notes
Bayes-verkot
vaikutuskaaviot
todennäköisyyksien arviointi
järjestysperusteiset solmut
Abstract (eng): This thesis studies the ranked nodes method (RNM) developed to construct conditional probability tables (CPTs) to Bayesian networks (BNs) based on expert elicitation.
RNM is used with BNs consisting of discrete random variables called ranked nodes.
The idea of RNM is to generate a CPT based on parameters that are assessed by an expert and whose number is smaller than the number of elements in the CPT.
In this thesis, RNM is explained more explicitly than in the existing literature and its properties are studied from both modeling and computational aspects.

The study on the modeling aspect of RNM interprets the properties of the method.
The use of RNM is shown to approximate the use of a hierarchical Bayesian model of continuous random variables.
While this finding helps to understand RNM, it is also utilized to explain results of an experimental study concerning the modeling accuracy of the method.
Furthermore, exact interpretations are derived for the weight parameters used in RNM.
In addition, the use of these interpretations in the transparent and consistent elicitation of the weights is introduced.
The study also discusses the application of RNM when the random variables have interval or ratio scales - a theme which has not been addressed earlier.

The examination of the computational aspect of RNM consists of two experimental studies.
In the first study, the calculation times of CPTs are measured.
The results imply that CPTs of ordinary sizes are calculated within one second when using a standard desktop computer.
In the second study, the modeling accuracy of RNM is explored by approximating CPTs found in real-life benchmark BNs.
Though providing accurate approximations in some cases, the modeling accuracy is found to be generally poorer than that of another method examined in the literature.
The result is considered to reflect the relative rarity of the probabilistic relationships compatible with the assumptions of RNM in the applications of BNs.
On the other hand, the poorer modeling accuracy of RNM is suspected to be caused by the smaller amount of parameters.
Overall, the results of the experimental studies imply that RNM provides means to readily construct CPTs that represent the probabilistic relationships of random variables in a coarse manner.
These rough CPTs can then be used as initial probability estimates in an iterative elicitation process based on, e.g., the sensitivity analysis of a BN.
Abstract (fin): Tässä työssä tarkastellaan järjestysperusteisten solmujen menetelmää (JSM), jolla muodostetaan ehdollisten todennäköisyyksien taulukoita (ETT) Bayes-verkkoihin (BV) perustuen asiantuntija-arvioihin.
JSM soveltuu järjestysperusteisiksi solmuiksi kutsutuista diskreeteistä satunnaismuuttujista koostuvien Bayes-verkkojen (BV) todennäköisyyksien arviointiin.
JSM:ssä ETT:t perustuvat asiantuntijan arvioimiin parametreihin, joiden lukumäärä on ETT:n alkioiden lukumäärää huomattavasti pienempi.
Tässä työssä JSM:n toimintaperiaate esitellään aiempaa kirjallisuutta täsmällisemmin ja sen ominaisuuksia tarkastellaan yhtäältä mallinnuksellisesta ja toisaalta laskennallisesta näkökulmasta.

Mallinnusnäkökulmaan liittyvässä tarkastelussa selvennetään JSM:n toimintaperiaatetta.
Menetelmän käytön osoitetaan approksimoivan jatkuvista satunnaismuuttujista koostuvan hierarkkisen Bayes-mallin käyttöä.
Tämä havainto auttaa ymmärtämään menetelmän toimintaperiaatetta ja sitä käytetään myös selittämään menetelmän mallinnustarkkuutta käsittelevän kokeen tuloksia.
Lisäksi työssä johdetaan JSM:ssä käytettäville painoparametreille tulkinnat ja esitellään niiden hyödyntäminen painojen läpinäkyvässä ja johdonmukaisessa arvioimisessa.
Havainnollistavan esimerkin avulla tarkastellaan JSM:n soveltamista välimatka- tai suhdeasteikollisiin satunnaismuuttujiin.
Tätä teemaa ei ole käsitelty kirjallisuudessa aiemmin.

JSM:n tarkastelu laskennallisesta näkökulmasta koostuu kahdesta kokeesta.
Ensimmäisessä mitataan erikokoisten ETT:iden laskenta-aikoja.
Kokeen tulokset osoittavat, että JSM:llä kyetään laskemaan tyypillisen kokoisia ETT:itä sekunnissa tavanomaisella pöytätietokoneella.
Toisessa kokeessa JSM:n mallinnustarkkuutta tutkitaan approksimoimalla BV-sovelluksista löytyviä ETT:itä.
Vaikka JSM tuottaa tarkkoja approksimaatioita joissain tapauksissa, sen mallinnustarkkuuden todetaan olevan yleisesti heikompi kuin toisella kirjallisuudessa esitetyllä menetelmällä.
Tulokset viittaavat siihen, että JSM:n oletusten kanssa yhteensopivat satunnaismuuttujien riippuvuustyypit ovat harvinaisia BV:iden sovelluksissa.
Toisaalta JSM:n heikompi mallinnustarkkuus johtuu siitä, että siinä käytetään vähemmän parametreja.
Työn laskennallisen osan tulokset osoittavat, että JSM:llä kyetään muodostamaan nopeasti ETT:itä, jotka kuvaavat satunnaismuuttujien välisiä riippuvuussuhteita karkeasti.
Näitä ETT:itä voidaan tarkentaa perustuen esimerkiksi BV:n herkkyysanalyysiin
ED:2013-10-07
INSSI record number: 47296
+ add basket
« previous | next »
INSSI