Динамическая байесовская сеть
Динамическая байесовская сеть (DBN) — это байесовская сеть (BN), которая связывает переменные друг с другом на соседних временных шагах.
История [ править ]
Динамическую байесовскую сеть (DBN) часто называют BN с «двумя срезами» (2TBN), поскольку в ней говорится, что в любой момент времени T значение переменной может быть вычислено на основе внутренних регрессоров и непосредственного предшествующего значения (время Т-1). DBN были разработаны Полом Дагумом в начале 1990-х годов в Стэнфордского университета . секции медицинской информатики [1] [2] Дагум разработал DBN для унификации и расширения традиционных линейных моделей в пространстве состояний, таких как фильтры Калмана , линейных и нормальных моделей прогнозирования, таких как ARMA , и простых моделей зависимостей, таких как скрытые модели Маркова, в общее вероятностное представление и механизм вывода для произвольных нелинейных и ненормальных явлений. зависящие от времени области. [3] [4]
Сегодня DBN широко распространены в робототехнике и продемонстрировали потенциал для широкого спектра приложений для интеллектуального анализа данных . Например, они использовались в распознавании речи , цифровой криминалистике , белков секвенировании и биоинформатике . ДБН — это обобщение скрытых моделей Маркова и фильтров Калмана . [5]
DBN концептуально связаны с вероятностными логическими сетями. [6] и аналогичным образом может использоваться для моделирования динамических систем в установившемся состоянии.
См. также [ править ]
Ссылки [ править ]
- ^ Пол Дагум ; Адам Гальпер ; Эрик Хорвиц (1992). «Динамические сетевые модели для прогнозирования» (PDF) . Материалы восьмой конференции по неопределенности в искусственном интеллекте . Пресса ААИ: 41–48.
- ^ Пол Дагум ; Адам Гальпер ; Эрик Хорвиц ; Адам Сивер (1995). «Неопределенные рассуждения и прогнозирование» . Международный журнал прогнозирования . 11 (1): 73–87. дои : 10.1016/0169-2070(94)02009-е .
- ^ Пол Дагум ; Адам Гальпер ; Эрик Хорвиц (июнь 1991 г.). «Временное вероятностное рассуждение: динамические сетевые модели для прогнозирования» (PDF) . Лаборатория систем знаний. Секция медицинской информатики Стэнфордского университета .
- ^ Пол Дагум ; Адам Гальпер ; Эрик Хорвиц (1993). «Прогнозирование апноэ во сне с помощью динамических сетевых моделей» . Материалы девятой конференции по неопределенности в искусственном интеллекте . Пресса ААИ: 64–71.
- ^ Стюарт Рассел ; Питер Норвиг (2010). Искусственный интеллект: современный подход (PDF) (Третье изд.). Прентис Холл . п. 566. ИСБН 978-0136042594 . Архивировано из оригинала (PDF) 20 октября 2014 года . Проверено 22 октября 2014 г.
динамические байесовские сети (которые включают в себя скрытые модели Маркова и фильтры Калмана в качестве особых случаев)
- ^ Харри Ляхдесмяки ; Сампса Хаутаниеми ; Илья Шмулевич ; Олли Юли-Харья (2006). «Отношения между вероятностными булевыми сетями и динамическими байесовскими сетями как моделями сетей регулирования генов» . Обработка сигналов . 86 (4): 814–834. дои : 10.1016/j.sigpro.2005.06.008 . ПМЦ 1847796 . ПМИД 17415411 .
Дальнейшее чтение [ править ]
- Мерфи, Кевин (2002). Динамические байесовские сети: представление, вывод и обучение . Калифорнийский университет в Беркли, отдел компьютерных наук.
- Гахрамани, Зубин (1998). «Изучение динамических байесовских сетей». Адаптивная обработка последовательностей и структур данных . Конспекты лекций по информатике. Том. 1387. стр. 168–197. CiteSeerX 10.1.1.56.7874 . дои : 10.1007/BFb0053999 . ISBN 978-3-540-64341-8 .
- Фридман, Н.; Мерфи, К.; Рассел, С. (1998). Изучение структуры динамических вероятностных сетей . УАИ'98. Морган Кауфманн. стр. 139–147. CiteSeerX 10.1.1.75.2969 .
- Сигихара, П.; Де Андраде Лопес, А.; Маурисио, Д. (2021). «Динамическое байесовское сетевое моделирование, обучение и вывод: обзор» . Доступ IEEE. дои : 10.1109/ACCESS.2021.3105520 .
{{cite journal}}: Для цитирования журнала требуется|journal=( помощь )
Программное обеспечение [ править ]
- bnt на GitHub : набор инструментов Bayes Net для Matlab, Кевин Мерфи (выпущен под лицензией GPL )
- Набор инструментов графических моделей (GMTK): общедоступный набор инструментов с открытым исходным кодом для быстрого создания прототипов статистических моделей с использованием динамических графических моделей (DGM) и динамических байесовских сетей (DBN). GMTK можно использовать для приложений и исследований в области обработки речи и языка, биоинформатики, распознавания активности и любых приложений с временными рядами.
- DBmcmc : вывод динамических байесовских сетей с помощью MCMC для Matlab (бесплатное программное обеспечение)
- Набор инструментов GlobalMIT Matlab в Google Code : моделирование сети регулирования генов посредством глобальной оптимизации динамической байесовской сети (выпущено под лицензией GPL )
- libDAI : библиотека C++, предоставляющая реализации различных (приблизительных) методов вывода для дискретных графических моделей; поддерживает графы произвольных факторов с дискретными переменными, включая дискретные марковские случайные поля и байесовские сети (выпущены под лицензией FreeBSD )
- aGrUM : библиотека C++ (с привязками Python) для различных типов PGM, включая байесовские сети и динамические байесовские сети (выпущена под лицензией GPLv3).
- FALCON : набор инструментов Matlab для контекстуализации моделей регуляторных сетей DBN с биологическими количественными данными, включая различные схемы регуляризации для моделирования предшествующих биологических знаний (выпущено под лицензией GPLv3).
 | Эта статистике статья, посвященная , незавершена . Вы можете помочь Википедии, расширив ее . |