论文部分内容阅读
马尔可夫链蒙特卡洛(MCMC)是贝叶斯网络(BN)的一种近似推理算法,为保证其时间性能,在生成马尔可夫链的组成序列时,通常只使用较少的样本,其推理精度较低。以Gibbs抽样为基本框架,提出一种BN的并行MCMC推理方法PMCMC,在生成马尔可夫链的组成序列时,通过增加对BN中每个节点的抽样频率来提高推理精度,并在消息传递接口MPI的支持下,利用主从式并行机制来实现其推理过程,保证了推理的时间性能。在3个不同BN上的推理实验结果表明,PMCMC在提高推理精度的同时有效保证了推理的时间性能。