Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Динамическая байесовская сеть, состоящая из 3 переменных.
Байесовская сеть развивалась в 3 временных шага.
Упрощенная динамическая байесовская сеть. Нет необходимости дублировать все переменные в графической модели, но они также являются динамическими.

Динамическая байесовская сеть (ДБНО) является байесовской сетью (BN) , которая относится переменный друг с другом на соседние временные шаги. Это часто называют двухкратным BN (2TBN), потому что в нем говорится, 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 в секции медицинской информатики Стэнфордского университета . [1] [2] Дагум разработал DBN для унификации и расширения традиционных линейных моделей в пространстве состояний, таких как фильтры Калмана , линейные и нормальные модели прогнозирования, такие как ARMA.и простые модели зависимостей, такие как скрытые модели Маркова, в общее вероятностное представление и механизм вывода для произвольных нелинейных и ненормальных зависимых от времени областей. [3] [4]

Сегодня DBN широко используются в робототехнике и показали потенциал для широкого спектра приложений интеллектуального анализа данных. Например, они использовались в распознавании речи , цифровой криминалистике , секвенировании белков и биоинформатике . DBN - это обобщение 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 установившемся состоянии.

См. Также [ править ]

Ссылки [ править ]

  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). «Неуверенные рассуждения и прогнозы» . Международный журнал прогнозирования . 11 (1): 73–87. DOI : 10.1016 / 0169-2070 (94) 02009-е .
  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 Стэнфордского университета .
  4. ^ Пол Дагум ; Адам Гальпер ; Эрик Хорвиц (1993). «Прогнозирование апноэ сна с динамическими сетевыми моделями» . 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.). Прентис Холл . п. 566. ISBN.  978-0136042594. Архивировано из оригинального (PDF) 20 октября 2014 года . Проверено 22 октября 2014 года . динамические байесовские сети (которые включают скрытые модели Маркова и фильтры Калмана в качестве частных случаев)
  6. ^ Харри Ляхдесмяки ; Сампса Хаутаниеми ; Илья Шмулевич ; Олли Или-Харья (2006). «Отношения между вероятностными булевыми сетями и динамическими байесовскими сетями как модели сетей регуляции генов» . Обработка сигналов . 86 (4): 814–834. DOI : 10.1016 / j.sigpro.2005.06.008 . PMC 1847796 . PMID 17415411 .  

Дальнейшее чтение [ править ]

  • Мерфи, Кевин (2002). Динамические байесовские сети: представление, вывод и обучение . Калифорнийский университет в Беркли, Отдел компьютерных наук.
  • Гахрамани, Зубин (1997). Изучение динамических байесовских сетей . Конспект лекций по информатике . 1387 . С. 168–197. CiteSeerX  10.1.1.56.7874 . DOI : 10.1007 / BFb0053999 . ISBN 978-3-540-64341-8.
  • Friedman, N .; Мерфи, К .; Рассел, С. (1998). Изучение структуры динамических вероятностных сетей . UAI'98. Морган Кауфманн. С. 139–147. CiteSeerX  10.1.1.75.2969 .

Программное обеспечение [ править ]

  • bnt на GitHub : набор инструментов Bayes Net Toolbox для Matlab от Кевина Мерфи (выпущен под лицензией GPL )
  • Набор инструментов для 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 временных рядов.
  • DBmcmc  : вывод динамических байесовских сетей с помощью MCMC для Matlab (бесплатное программное обеспечение)
  • Инструментарий GlobalMIT Matlab в Google Code : Моделирование регулирующей сети генов посредством глобальной оптимизации динамической байесовской сети (выпущено под лицензией GPL )
  • libDAI : библиотека C ++, которая предоставляет реализации различных (приближенных) методов вывода для дискретных графических моделей; поддерживает произвольные факторные графы 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 DBN регуляторных сетей с биологическими количественными данными, включая различные схемы регуляризации для моделирования предшествующих биологических знаний (выпущен под лицензией GPLv3)


  • v
  • т
  • е