Waarom is dit belangrijk?
Onderzoekers kunnen in een web van samenhangende factoren de kans op een concrete uitkomst uitrekenen, ook als die factoren elkaar sterk beïnvloeden. In de medische zorg en de genetica schatten zij daarmee de kans op een aandoening uit bekende familiebanden. Studenten en analisten in opleiding krijgen zo onderbouwde kansen, maar bij veel factoren tegelijk wordt de berekening snel te zwaar.
Zo werkt het in de praktijk
Een studie naar fouten in een industrieel proces gebruikt het junction tree-algoritme in een Bayesiaans netwerk. In de chemie maken Jin, Barzilay en Jaakkola moleculen met een variant van dit algoritme. Die variant bouwt eerst een boom van chemische bouwstenen en voegt die samen tot een molecuul.
Twee bekende rekenwijzen zijn het Hugin-algoritme en het Shafer-Shenoy-algoritme. Het Hugin-algoritme heeft minder rekenstappen nodig voor een uitkomst. Bij Shafer-Shenoy slaat het programma de waarden tussen de groepen variabelen niet op.
Het Hugin-algoritme volgt vaste stappen in een Bayesiaans netwerk. Het maakt een gericht netwerk ongericht en zet bekende metingen vast. Daarna vult het verbindingen aan en stuurt het kansen rond via belief propagation (het doorgeven van kansberichten).




