Dynamiczna sieć bayesowska - Dynamic Bayesian network

Dynamiczna sieć bayesowska złożona z 3 zmiennych.

Bayesian Network rozwinęła się w 3 krokach czasowych.

Uproszczona dynamiczna sieć bayesowska. Wszystkie zmienne nie muszą być duplikowane w modelu graficznym, ale są też dynamiczne.

Dynamiczne Bayesa sieci (DBN) jest Bayesa sieci (BN), który odnosi się do zmiennych siebie w sąsiednich przedziałach czasu. Jest to często nazywane BN z dwoma odcinkami czasu (2TBN), ponieważ mówi, że w dowolnym momencie czasu T wartość zmiennej można obliczyć na podstawie wewnętrznych regresorów i bezpośrednio poprzedzającej wartości (czas T-1). DBN zostały opracowane przez Paula Daguma na początku lat 90. w Sekcji Informatyki Medycznej Uniwersytetu Stanforda . Dagum opracował DBN w celu ujednolicenia i rozszerzenia tradycyjnych liniowych modeli w przestrzeni stanów, takich jak filtry Kalmana , liniowych i normalnych modeli prognostycznych, takich jak ARMA oraz prostych modeli zależności, takich jakukryte modele Markowa w ogólną probabilistyczną reprezentację i mechanizm wnioskowania dla dowolnych nieliniowych i nienormalnych dziedzin zależnych od czasu.

Obecnie DBN są powszechne w robotyce i wykazują potencjał dla szerokiej gamy aplikacji do eksploracji danych . Na przykład były wykorzystywane w rozpoznawaniu mowy , kryminalistyce cyfrowej , sekwencjonowaniu białek i bioinformatyce . DBN to uogólnienie ukrytych modeli Markowa i filtrów Kalmana .

DBN są koncepcyjnie powiązane z probabilistycznymi sieciami boolowskimi i podobnie mogą być używane do modelowania systemów dynamicznych w stanie ustalonym.

Zobacz też

• Rekurencyjna estymacja bayesowska
• Probabilistyczna sieć logiczna
• Uogólnione filtrowanie

Bibliografia

Dalsza lektura

• Murphy, Kevina (2002). Dynamiczne sieci bayesowskie: reprezentacja, wnioskowanie i uczenie się . UC Berkeley, Wydział Informatyki.
• Ghahramani, Zoubin (1997). Nauka dynamicznych sieci bayesowskich . Notatki z wykładów z informatyki . 1387 . s. 168-197. CiteSeerX  10.1.1.56.7874 . doi : 10.1007/BFb0053999 . Numer ISBN 978-3-540-64341-8.
• Friedman, N.; Murphy, K.; Russell, S. (1998). Poznanie budowy dynamicznych sieci probabilistycznych . UAI'98. Morgana Kaufmanna. s. 139–147. CiteSeerX  10.1.1.75.2969 .

Oprogramowanie

• bnt na GitHub : Bayes Net Toolbox for Matlab, autorstwa Kevina Murphy'ego (wydany na licencji GPL )
• Graphical Models Toolkit (GMTK): publicznie dostępny zestaw narzędzi typu open source do szybkiego prototypowania modeli statystycznych przy użyciu dynamicznych modeli graficznych (DGM) i dynamicznych sieci bayesowskich (DBN). GMTK może być używany do zastosowań i badań w zakresie przetwarzania mowy i języka, bioinformatyki, rozpoznawania aktywności i dowolnych aplikacji szeregów czasowych.
• DBmcmc  : Inferring Dynamic Bayesian Networks za pomocą MCMC, dla Matlab (bezpłatne oprogramowanie)
• GlobalMIT Matlab toolbox w Google Code : Modelowanie sieci regulacji genów poprzez globalną optymalizację dynamicznej sieci bayesowskiej (wydany na licencji GPL )
• libDAI : biblioteka C++ dostarczająca implementacje różnych (przybliżonych) metod wnioskowania dla dyskretnych modeli graficznych; obsługuje wykresy arbitralnych czynników ze zmiennymi dyskretnymi, w tym dyskretnymi polami losowymi Markowa i sieciami Bayesian (wydanymi na licencji FreeBSD )
• aGrUM : biblioteka C++ (z wiązaniami Pythona) dla różnych typów PGM, w tym Bayesian Networks i Dynamic Bayesian Networks (wydana na licencji GPLv3)
• FALCON : Zestaw narzędzi Matlab do kontekstualizacji modeli DBN sieci regulacyjnych z biologicznymi danymi ilościowymi, w tym różne schematy regularyzacji w celu modelowania wcześniejszej wiedzy biologicznej (wydany na licencji GPLv3)

Ten artykuł związany ze statystykami jest skrótem . Możesz pomóc Wikipedii, rozwijając ją .

• v
• T
• mi