scientific article; zbMATH DE number 1045396
Zwei Algorithmen zur Manipulation von subjektiven Konfidenzwerten werden vorgeschlagen und theoretisch analysiert. Beide Algorithmen liefern Verteilungen, die graphische Modelle auf gegebenen Nachbarschaftssystemen definieren. Mathematisch ist unsere Lösung des Konsistenzproblems als die Minimierung der Informations-Divergenz gegeben. Der erste dieser Algorithmen ist durch eine Folge von Gibbs-Samplern gegeben und liefert eine suboptimale Lösung. Dieser Algorithmus ist als eine Folge von Eigenvektoren von sukzessiv neu zu definierenden Übergangsmatrizen einer Markov-Kette definiert. Praktisch läßt sich die Lösung des Konsistenzproblems damit über eine stochastische Simulation finden. Die Konvergenz dieser Folge von Gibbs-Samplern konnte nicht nachgewiesen werden, wobei jedoch zahlreiche numerische Experimente die Annahme der Konvergenz unterstützen. Der zweite Algorithmus ist durch zwei anzuwendende Schritte gegeben. Der erste Schritt berechnet die Maximum-Entropie Verteilung bezüglich einer gegebenen Menge von Konfidenzwerten. Wir haben diesen ersten Schritt als die Berechnung der erschöpfenden Statistik bezeichnet. Diese MaxEnt-Verteilung ist differentialgeometrisch als die \(e\)-Projektion der Gleichverteilung auf die Menge aller Verteilungen gegeben, die die Konfidenzwerte als bedingte Wahrscheinlichkeiten besitzen. Der zweite Schritt ist dann als die \(m\)-Projektion unserer aus dem ersten Schritt gewonnenen Verteilung auf die Menge der Verteilungen gegeben, die auf dem gegebenen Graphen gültige Wahrscheinlichkeitsverteilungen definieren. Beide Schritte in diesem Algorithmus sind somit exakte Lösungen von Minimierungsaufgaben der Informations-Divergenz und stellen demnach in bezug auf die Informations-Divergenz die optimale Lösung dar, die für die Einbettung von Konfidenzwerten in ein Nachbarschaftssystem gefunden werden kann. Numerische Experimente zeigen, daß der Wert der Informations-Divergenz für die Folge von Gibbs-Samplern ``sehr nahe an den Werten unseres optimalen Algorithmus liegen. Eine exakte Beziehung konnte nicht ermittelt werden. Die Formulierung des \(m\)-Schrittes (der Maximum-Likelihood-Berechnung) als eine inhomogene Markov-Kette mit denselben Übergangsmatrizen wie beim Gibbs-Sampler zeigt jedoch, wie diese beiden Algorithmen zueinander stehen: Der optimale Algorithmus ist eine deterministische Form der stochastischen Simulation.
This page was built for publication:
Report a bug (only for logged in users!)Click here to report a bug for this page (MaRDI item Q4347155)
