Динамическая байесовская сеть

Вероятностная графическая модель

Динамическая байесовская сеть, состоящая из 3 переменных.

Байесовская сеть разработана на 3 временных шагах.

Упрощенная динамическая байесовская сеть. Все переменные не обязательно должны дублироваться в графической модели, но они также являются динамическими.

Динамическая байесовская сеть (DBN) — это байесовская сеть (BN), которая связывает переменные друг с другом на смежных временных шагах.

История

Динамическая байесовская сеть (DBN) часто называется «двухсрезовой» BN (2TBN), поскольку она говорит, что в любой момент времени T значение переменной может быть вычислено из внутренних регрессоров и непосредственного предшествующего значения (время T-1). DBN были разработаны Полом Дагумом в начале 1990-х годов в Стэнфордском университете в секции медицинской информатики. ^{[1] [2]} Дагум разработал DBN для унификации и расширения традиционных линейных моделей пространства состояний, таких как фильтры Калмана , линейных и нормальных моделей прогнозирования, таких как ARMA , и простых моделей зависимостей, таких как скрытые марковские модели, в общее вероятностное представление и механизм вывода для произвольных нелинейных и ненормальных зависящих от времени доменов. ^{[3] [4]}

Сегодня DBN распространены в робототехнике и показали потенциал для широкого спектра приложений по добыче данных . Например, они использовались в распознавании речи , цифровой криминалистике , секвенировании белков и биоинформатике . DBN является обобщением скрытых моделей Маркова и фильтров Калмана . ^[5]

DBN концептуально связаны с вероятностными булевыми сетями ^[6] и могут аналогичным образом использоваться для моделирования динамических систем в стационарном состоянии.

Смотрите также

• Рекурсивная байесовская оценка
• Вероятностная логическая сеть
• Обобщенная фильтрация

Ссылки

1. Пол Дагум; Адам Гальпер; Эрик Хорвиц (1992). «Динамические сетевые модели для прогнозирования» (PDF) . Труды Восьмой конференции по неопределенности в искусственном интеллекте . AUAI Press: 41–48.
2. Пол Дагум; Адам Гальпер; Эрик Хорвиц ; Адам Сивер (1995). «Неопределенные рассуждения и прогнозирование». Международный журнал прогнозирования . 11 (1): 73–87. doi : 10.1016/0169-2070(94)02009-e .
3. Пол Дагум; Адам Гальпер; Эрик Хорвиц (июнь 1991 г.). «Временное вероятностное рассуждение: динамические сетевые модели для прогнозирования» (PDF) . Лаборатория систем знаний. Секция медицинской информатики, Стэнфордский университет .
4. Пол Дагум; Адам Гальпер; Эрик Хорвиц (1993). «Прогнозирование апноэ во сне с помощью динамических сетевых моделей». Труды Девятой конференции по неопределенности в искусственном интеллекте . AUAI Press: 64–71.
5. Стюарт Рассел ; Питер Норвиг (2010). Искусственный интеллект: современный подход (PDF) (третье изд.). Prentice Hall . стр. 566. ISBN 978-0136042594. Архивировано из оригинала (PDF) 20 октября 2014 г. . Получено 22 октября 2014 г. . динамические байесовские сети (включающие скрытые марковские модели и фильтры Калмана как особые случаи)
6. Харри Ляхдесмяки; Сампса Хаутаниеми; Илья Шмулевич; Олли Юли-Харья (2006). «Связи между вероятностными булевыми сетями и динамическими байесовскими сетями как моделями сетей регуляции генов». Обработка сигналов . 86 (4): 814–834. doi : 10.1016 /j.sigpro.2005.06.008. PMC 1847796. PMID  17415411. 

Дальнейшее чтение

• Мерфи, Кевин (2002). Динамические байесовские сети: представление, вывод и обучение. Калифорнийский университет в Беркли, Отделение компьютерных наук.
• Ghahramani, Zoubin (1998). "Изучение динамических байесовских сетей". Адаптивная обработка последовательностей и структур данных . Конспект лекций по информатике. Том 1387. С. 168–197. CiteSeerX  10.1.1.56.7874 . doi :10.1007/BFb0053999. ISBN 978-3-540-64341-8.
• Фридман, Н.; Мерфи, К.; Рассел, С. (1998). Изучение структуры динамических вероятностных сетей . UAI'98. Morgan Kaufmann. стр. 139–147. CiteSeerX  10.1.1.75.2969 .
• Шигихара, П.; Де Андраде Лопес, А.; Маурисио, Д. (2021). «Моделирование, обучение и вывод динамических байесовских сетей: обзор». IEEE Access. doi : 10.1109/ACCESS.2021.3105520 . {{cite journal}}: Цитировать журнал требует |journal=( помощь )

Программное обеспечение

• bnt на GitHub : Bayes Net Toolbox для Matlab, Кевин Мерфи (выпущено по лицензии GPL )
• Graphical Models Toolkit (GMTK): общедоступный инструментарий с открытым исходным кодом для быстрого прототипирования 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 временных рядов.
• DBmcmc: вывод динамических байесовских сетей с помощью MCMC, для Matlab (бесплатное программное обеспечение)
• GlobalMIT Matlab toolbox на Google Code : Моделирование сети регуляции генов с помощью глобальной оптимизации динамической байесовской сети (выпущено под лицензией GPL )
• libDAI: библиотека C++, которая обеспечивает реализацию различных (приближенных) методов вывода для дискретных графических моделей; поддерживает произвольные факторные графы с дискретными переменными, включая дискретные случайные поля Маркова и байесовские сети (выпущена под лицензией FreeBSD )
• aGrUM: библиотека C++ (с привязками к Python) для различных типов PGM, включая байесовские сети и динамические байесовские сети (выпущена под лицензией GPLv3)
• FALCON: набор инструментов Matlab для контекстуализации моделей DBN регуляторных сетей с биологическими количественными данными, включая различные схемы регуляризации для моделирования предшествующих биологических знаний (выпущен под лицензией GPLv3)