Propagationsnetze im Kontext etablierter probabilistischer Modelle - ein Vergleich hinsichtlich potentieller Modelltransformationen

Diese Dissertation behandelt die Unifizierung verschiedener (etablierter) probabilistischer Modellklassen auf die gemeinsame, umfassende und funktional uberdeckende Oberklasse Wahrscheinlichkeits-Propagations-Netze (PPNs). Es wird gezeigt, dass mit dieser hoheren Petri-Netz-Klasse eine einheitliche, exakte Moglichkeit zur Modellierung, Analyse und Evaluation von probabilistischen Problemen verschiedener Domanen vorliegt. So werden Methoden vorgestellt, um Modelle der gewahlten Klassen unter Erhaltung der Aussagekraft und Genauigkeit unter Erzeugung eines Mehrwertes in PPNs zu uberfuhren; es wird dargestellt, wie entsprechende Problemstellungen anhand von PPNs untersucht werden konnen. Die unifizierten Modellklassen sind kausale AND/OR/NOT-Graphen, dynamische Bayes’sche Netze, dynamische Fehlerbaume und Influenzdiagramme. Weiterhin werden zwei Erweiterungen der PPNs definiert – die hoheren Netzklassen temporale PPNs (TPPNs) und Utility/PPNs (U/PPNs). Die Klasse TPPNs ermoglicht die Nutzung von minimalen, gefalteten PPNs, um geeignete, zeitbezogene Sachverhalte, welche mehrere Zeitscheiben erfordern, zu modellieren und zu analysieren; die Klasse U/PPNs erlaubt einen exakten Umgang mit Utilities basierend auf Entscheidungen, unsicherem Wissen und Evidenzen. So kann der optimale erwartete Nutzen eines modellierten, zu evaluierenden Sachverhaltes genau ermittelt und sich eventuell ergebende Maßnahmen sicher begrundet werden. Verglichen mit den zuvor genannten zugrundeliegenden Modellklassen wird die Genauigkeit, die Nutzbarkeit und das Verstandnis modellierter Sachverhalte erhoht und verbessert.