構築

ベイジアンネットワーク、連鎖グラフ（Huginネットワーク・ファイル形式によってのみ利用可能）、インフルエンス・ダイアグラム・モデル（Hugin Decision Engine内のドメインとして知られています）の構築。

• ドメイン／ノードの作成／削除
• エッジの追加／消去
• ノードの状態のアクセス／変更

ラベルづけ、ブーリアン、番号づけ、区間などのサブタイプを持つ離散チャンス・ノードとデシジョン・ノード。

1つ以上のユーティリティ・ノード（付加的な混合効用関数の仮定）。

条件付きガウス分布した変数。

条件付き確率分布、条件付きガウス密度、効用関数の直接指定。

確率的関係と効用関数は、テーブル・ジェネレータを用いて、数学的・論理的記述で指定できます。

テーブル・ジェネレータのサポート

• 離散分布 (Binomial, Negative Binomial, Poisson, Geometric, NoisyOr, Distribution)
  
• 連続分布 (Normal, Beta, Gamma, Exponential, Weibull, Uniform)
  
• 論理演算子、条件演算子、比較演算子 (and, or, not, if-then-else, equals, less than, greater than, not equals, less than or equals, greater than or equals)
  
• 標準の数学演算子 (add, subtract, multiply, divide, power, negate, min, max, log, exp, sqrt, log2, log10, sin, cos, tan, cosh, sinh, tanh, abs, ceil, floor, mod).
  
• テーブルは一度生成されるだけでよいのですが、必要に応じて生成されます。
  
• 子テーブルを生成するときに使われる各区間の親ノードのさまざまな値は、アプリケーション・プログラミング・インタフェースを通して、Hugin inference engineに指定できます。.

依存関係の統計的検定に基づいてケースのデータベースからベイジアン・ネットワークのグラフィカルな構造を学習するためのPCアルゴリズム。

構造の学習を実行する際のドメイン専門家知識の指定。

離散変数を持つベイジアン・ネットワークにおける条件付き確率分布の部分集合またはすべてのEM学習。学習のスピードアップと学習の方向付けのために重要な知識を指定できます（penalized-EM）。

Hugin ネットワーク言語とHuginナレッジ・ベース・フォーマットのためのファイル・サポート。

ジャンクション・フォレスト（つまり、結合木の集合）へのドメインのコンパイル。クリークの結合木を構築するための様々なアルゴリズム：クリーク・サイズ、クリーク重み、フィルイン・サイズ、フィルイン重み、合計重み（最適）。コンパイルのログがドメインに関連づけられます。

条件付き確率分布、密度関数、効用関数は、結合木のコンパイルを新たに実行することなしに、変更・使用ができます。

活用

ハード（インスタンス化）及びソフト（尤度）evidence（確定値）の挿入。

Hugin推論エンジンは、 推論をスピードアップするためにCPUのキャッシュを活用します。

確定値のリトラクション。.

定値はドメインがアンコンパイルされても、ドメインから消去されません。また、 確定値は、ドメインがコンパイルされないとき、入力されリトラクトされます。

クリークの決定木における確定値のプロパゲーション（伝播）

• 離散変数を持つノーマル及びファースト・リトラクション・モードでの合計及び最大プロパゲーション
  
• 条件付きガウス及び離散変数の混合によるノーマル・モードにおける合計プロパゲーション（正確な計算）
  
• 伝播された確定値の確率は、プロパゲーションの結果として利用可能（規格化定数）

離散変数の集合の結合確率分布、連続変数の結合密度及び混合の計算。

離散ノードの信念及び条件付きガウス・ノードの密度の回収。

多重効用ノードと非忘却リンクの不足によるシーケンシャルな意思決定問題の解決。

デシジョン・ノードの期待される効用値の回収。

ベイジアン・ネットワークまたはクリークの結合木を用いたサンプリング、離散及び条件付きガウスのサンプリング、及び条件付きガウスと離散変数の混合。変数の設定は、確定値による分布の決定によってサンプルされます。

確定値を持つノードの集合がインスタンス化されたノードの先祖の集合を形成する際のアンコンパイルされたベイジアン・ネットワークでのサンプリング。

ゼロ圧縮。.

近似。.

能率的な推論と初期化のサポートのためのメモリの節約。

マルチプロセッサ・システムでの確率推論のための並列処理。

結合木ナビゲーション。

結合木（クリーク・テーブルなし）とhkb-file内の結合木に入力された信念の保存。.

リビジョン

条件付き確率分布の部分集合のシーケンシャルな学習（適応）。また、インフルエンス・ダイアグラムでも利用可能。条件つき確率テーブルの信念は、経験値を用いて指定でき、重要なナレッジのインパクトは、フェーディング係数によってだんだん減らすことができます。

アーク・リバーサル。

条件つき確率分布と効用関数の中身の配置換え。

解析

コンフリクト分析。.

確定値伝播のファースト・リトラクションを用いて、可能な疑いを発見すること可能。

感度分析の実装をサポートするための機能。

情報の価値分析の実装をサポートするための機能。

マニュアル

ノードとドメイン上のユーザ定義属性。

ノードとドメイン上のユーザ・データ。.

読み込み可能なネットワーク・ファイル形式。

ノードの名前、ラベル、位置、サイズの変更。

大規模なレファレンス・マニュアルの中にたくさんのヘルプ機能があります。

Hugin Decision Engine はi、 C API, C++ API, Java API 及びActiveX-serverによって利用可能です。.

Hugin Decision Engineは2つのバージョンが提供されています。: 単精度浮動小数点演算を用いたバージョンと倍精度浮動小数点演算を用いたバージョン。倍精度バージョンは、連続確率変数(より大きなスペースを要求)を持つ計算に役立つでしょう。単精度バージョンを使ってhkb形式に保存されたドメインは、Hugin Decision Engineの倍精度バージョンでロードすることができます。,また逆も可能です。エラーの取り扱い: Hugin Decision Engineの操作が失敗するといつでも、エラー・インジケータが返されます。したがって、どの処置を講ずるべきであるか決定することはアプリケーションによります。