L'inférence crédibilité causale dans les réseaux simplement connectés : distributions conditionnelles définies sachant tous les parents

Les algorithmes de propagation dans les réseaux crédibilistes simplement connectés permettent l'inférence lorsque les distributions conditionnelles sont initialement définies par arc. Pour pouvoir calculer léffet d'une nouvelle observation en utilisant des tables conditionnelles définies sachant tous les parents, il faut passer par la transformation du réseau en un arbre de jonction. Dans ce papier, nous proposons une méthode d'inférence directe dans le réseau causal crédibiliste afin de calculer léffet des observations et des interventions. Nous expliquons comment il est encore possible d'utiliser la règle disjonctive de combinaison DRC et le théorème de Bayes généralisé GBT pour effectuer cette propagation. Propagation algorithms in simply connected belief networks allow inference when conditional distributions are initially defined per edge. To compute the effect of a new observation using conditional beliefs defined for all parents, we have to transform the network into a junction tree. In this paper, we propose a direct method of inference in the causal belief network to compute the effect of observations and interventions. We explain how it is still possible to use the disjunctive rule of combination DRC and the generalized Bayesian theorem GBT to perform this propagation.