Динамічна баєсова мережа

Динамі́чна ба́єсова мере́жа (ДБМ, англ. Dynamic Bayesian Network, DBN) — це баєсова мережа, що співвідносить змінні між собою через суміжні проміжки часу. Її також часто називають двочасовою БМ (2ЧБМ, англ. Two-Timeslice BN, 2TBN), оскільки вона каже, що значення змінної на будь-який момент часу T може бути обчислено із внутрішніх регресорів та безпосередньо попереднього значення (на момент часу T-1). ДБМ було розроблено Полом Деґамом на початку 1990-х років, коли він вів фінансовані двома грантами Національного наукового фонду дослідження на Відділенні медичної інформатики Стенфордського університету.[1][2] Деґам розробив ДБМ, щоби уніфікувати та розширити традиційні лінійні станово-просторові моделі, такі як фільтри Калмана, лінійні та нормальні прогностичні моделі, такі як ARMA, і прості залежнісні моделі, такі як приховані марковські моделі, до загального ймовірнісного представлення та механізму отримання висновків для довільних нелінійних та не нормальних залежних від часу областей.[3][4]

Динамічна баєсова мережа, складена з 3 змінних.

Динамічна баєсова мережа, розгорнута на 3 кроки часу.

Спрощена динамічна баєсова мережа. Всім змінним дублюватися не треба, але вони також є динамічними.

Нині ДБМ є поширеними в робототехніці, та продемонстрували потенціал для широкого спектра застосунків для добування даних. Наприклад, вони використовувалися у розпізнаванні мовлення, цифровій експертизі, секвенуванні білків та біоінформатиці. ДБМ є узагальненням прихованих марковських моделей та фільтрів Калмана.[5]

Див. також

Рекурсивне баєсове оцінювання
Узагальнене фільтрування

Примітки

Paul Dagum; Adam Galper; Eric Horvitz (1992). Dynamic Network Models for Forecasting. Proceedings of the Eighth Conference on Uncertainty in Artificial Intelligence (AUAI Press): 41–48. (англ.)
Paul Dagum; Adam Galper; Eric Horvitz; Adam Seiver (1995). Uncertain Reasoning and Forecasting. International Journal of Forecasting 11 (1): 73–87. (англ.)
Paul Dagum; Adam Galper; Eric Horvitz (June 1991). Temporal Probabilistic Reasoning: Dynamic Network Models for Forecasting. Knowledge Systems Laboratory. Section on Medical Informatics, Stanford University. (англ.)
Paul Dagum; Adam Galper; Eric Horvitz (1993). Forecasting Sleep Apnea with Dynamic Network Models. Proceedings of the Ninth Conference on Uncertainty in Artificial Intelligence (AUAI Press): 64–71. (англ.)
Stuart Russell; Peter Norvig (2010). Artificial Intelligence: A Modern Approach (вид. III). Prentice Hall. с. 566. ISBN 978-0136042594. Архів оригіналу за 20 жовтня 2014. Процитовано 22 жовтня 2014. «динамічні баєсові мережі (що включають приховані марковські моделі та фільтри Калмана як окремі випадки)» (англ.)

Література

Murphy, Kevin (2002). Dynamic Bayesian Networks: Representation, Inference and Learning. UC Berkeley, Computer Science Division. (англ.)
Ghahramani, Zoubin (1997). Learning Dynamic Bayesian Networks. Lecture Notes in Computer Science 1387: 168–197. CiteSeerX: 10.1.1.56.7874. (англ.)
Friedman, N.; Murphy, K.; Russell, S. (1998). Learning the structure of dynamic probabilistic networks UAI’98. Morgan Kaufmann. с. 139–147. CiteSeerX: 10.1.1.75.2969. (англ.)

Програмне забезпечення

bnt на GitHub: Bayes Net Toolbox (Інструментарій баєсових мереж) для Matlab, від Кевіна Мерфі (англ. Kevin Murphy) (випущений під ліцензією GPL)
Graphical Models Toolkit (GMTK): публічно доступний інструментарій з відкритим кодом для швидкого макетування статистичних моделей з використанням динамічних графічних моделей (англ. Dynamic Graphical Models, DGMs) та динамічних баєсових мереж. GMTK може використовуватися для розробки застосунків та досліджень в обробці мовлення та мови, біоінформатиці, розпізнаванні діяльності, та будь-яких застосувань часових рядів.
DBmcmc: Виведення динамічних баєсових мереж за допомогою методів Монте-Карло марковських ланцюгів, для Matlab (вільне програмне забезпечення)
GlobalMIT Matlab toolbox на Google Code: Моделювання генної регуляторної мережі шляхом глобальної оптимізації динамічної баєсової мережі (випущене під ліцензією GPL)
libDAI: бібліотека C++, що пропонує реалізації різноманітних (наближених) методів виведення для дискретних графічних моделей; підтримує довільні графи розкладу з дискретними змінними, включно з дискретними марковськими та баєсовими мережами (випущена під ліцензією FreeBSD)
aGrUM: бібліотека C++ (зі обв'язками для Python) для різних типів ІГМ, включно з баєсовими мережами та динамічними баєсовими мережами (випускається під ліцензією GPLv3)

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.

[1] Paul Dagum; Adam Galper; Eric Horvitz (1992). Dynamic Network Models for Forecasting. Proceedings of the Eighth Conference on Uncertainty in Artificial Intelligence (AUAI Press): 41–48. (англ.)

[2] Paul Dagum; Adam Galper; Eric Horvitz; Adam Seiver (1995). Uncertain Reasoning and Forecasting. International Journal of Forecasting 11 (1): 73–87. (англ.)

[3] Paul Dagum; Adam Galper; Eric Horvitz (June 1991). Temporal Probabilistic Reasoning: Dynamic Network Models for Forecasting. Knowledge Systems Laboratory. Section on Medical Informatics, Stanford University. (англ.)

[4] Paul Dagum; Adam Galper; Eric Horvitz (1993). Forecasting Sleep Apnea with Dynamic Network Models. Proceedings of the Ninth Conference on Uncertainty in Artificial Intelligence (AUAI Press): 64–71. (англ.)

[5] Stuart Russell; Peter Norvig (2010). Artificial Intelligence: A Modern Approach (вид. III). Prentice Hall. с. 566. ISBN 978-0136042594. Архів оригіналу за 20 жовтня 2014. Процитовано 22 жовтня 2014. «динамічні баєсові мережі (що включають приховані марковські моделі та фільтри Калмана як окремі випадки)» (англ.)