效用节点扩展动态贝叶斯网络 (DBN)

效用节点扩展动态贝叶斯网络（Utility Node Extended Dynamic Bayesian Network）是动态贝叶斯网络（DBN）的决策增强变体。传统 DBN 仅用于状态推断与预测，而该模型通过在状态空间或动作空间引入效用节点，将决策目标从单纯的概率最大化转化为期望效用最大化。其核心在于利用时序依赖关系，结合贝叶斯推理与动态规划思想，在复杂多变的系统中量化不同决策路径的长期价值，从而指导智能体做出最优策略选择。

在现代计算架构与人工智能系统中，效用节点扩展动态贝叶斯网络扮演着连接感知与决策的关键角色。它超越了传统监督学习仅关注预测精度的局限，将经济学中的“效用”概念形式化为可计算的数学函数，使系统能够理解“为什么”做出某个决策，而不仅仅是“是什么”。该技术在强化学习、自主机器人控制、金融风控及医疗诊断等需要长期规划与风险权衡的领域占据重要生态位，是构建具备理性决策能力的智能系统的基础算法之一。