On Identifiability of BN2A Networks
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F23%3A00578481" target="_blank" >RIV/67985556:_____/23:00578481 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/67985807:_____/23:00579691
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-031-45608-4_11" target="_blank" >http://dx.doi.org/10.1007/978-3-031-45608-4_11</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-45608-4_11" target="_blank" >10.1007/978-3-031-45608-4_11</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
On Identifiability of BN2A Networks
Popis výsledku v původním jazyce
In this paper, we consider two-layer Bayesian networks. The first layer consists of hidden (unobservable) variables and the second layer consists of observed variables. All variables are assumed to be binary. The variables in the second layer depend on the variables in the first layer. The dependence is characterised by conditional probability tables representing Noisy-AND or simple Noisy-AND. We will refer to this class of models as BN2A models. We found that the models known in the Bayesian network community as Noisy-AND and simple Noisy-AND are also used in the cognitive diagnostic modelling known in the psychometric community under the names of RRUM and DINA, respectively. In this domain, the hidden variables of BN2A models correspond to skills and the observed variables to students’ responses to test questions. In this paper we analyse the identifiability of these models. Identifiability is an important concept because without it we cannot hope to learn correct models. We present necessary conditions for the identifiability of BN2As with Noisy-AND models. We also propose and test a numerical approach for testing identifiability.
Název v anglickém jazyce
On Identifiability of BN2A Networks
Popis výsledku anglicky
In this paper, we consider two-layer Bayesian networks. The first layer consists of hidden (unobservable) variables and the second layer consists of observed variables. All variables are assumed to be binary. The variables in the second layer depend on the variables in the first layer. The dependence is characterised by conditional probability tables representing Noisy-AND or simple Noisy-AND. We will refer to this class of models as BN2A models. We found that the models known in the Bayesian network community as Noisy-AND and simple Noisy-AND are also used in the cognitive diagnostic modelling known in the psychometric community under the names of RRUM and DINA, respectively. In this domain, the hidden variables of BN2A models correspond to skills and the observed variables to students’ responses to test questions. In this paper we analyse the identifiability of these models. Identifiability is an important concept because without it we cannot hope to learn correct models. We present necessary conditions for the identifiability of BN2As with Noisy-AND models. We also propose and test a numerical approach for testing identifiability.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Symbolic and Quantitative Approaches to Reasoning with Uncertainty. ECSQARU 2023.
ISBN
978-3-031-45607-7
ISSN
—
e-ISSN
—
Počet stran výsledku
13
Strana od-do
136-148
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Arras
Datum konání akce
19. 9. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—