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]
Нині ДБМ є поширеними в робототехніці, та продемонстрували потенціал для широкого спектра застосунків для добування даних. Наприклад, вони використовувалися у розпізнаванні мовлення, цифровій експертизі[en], секвенуванні білків та біоінформатиці. ДБМ є узагальненням прихованих марковських моделей та фільтрів Калмана.[5]
- ↑ Paul Dagum; Adam Galper; Eric Horvitz[en] (1992). Dynamic Network Models for Forecasting (PDF). Proceedings of the Eighth Conference on Uncertainty in Artificial Intelligence. AUAI Press: 41—48. Архів оригіналу (PDF) за 4 березня 2016. Процитовано 11 липня 2016. (англ.)
- ↑ Paul Dagum; Adam Galper; Eric Horvitz[en]; Adam Seiver (1995). Uncertain Reasoning and Forecasting. International Journal of Forecasting. 11 (1): 73—87. Архів оригіналу за 4 березня 2016. Процитовано 11 липня 2016. (англ.)
- ↑ Paul Dagum; Adam Galper; Eric Horvitz[en] (June 1991). Temporal Probabilistic Reasoning: Dynamic Network Models for Forecasting (PDF). Knowledge Systems Laboratory. Section on Medical Informatics, Stanford University. Архів оригіналу (PDF) за 4 березня 2016. Процитовано 11 липня 2016. (англ.)
- ↑ Paul Dagum; Adam Galper; Eric Horvitz[en] (1993). Forecasting Sleep Apnea with Dynamic Network Models. Proceedings of the Ninth Conference on Uncertainty in Artificial Intelligence. AUAI Press: 64—71. Архів оригіналу за 11 вересня 2015. Процитовано 11 липня 2016. (англ.)
- ↑
Stuart Russell[en]; Peter Norvig (2010). Artificial Intelligence: A Modern Approach (PDF) (вид. III). Prentice Hall. с. 566. ISBN 978-0136042594. Архів оригіналу (PDF) за 20 жовтня 2014. Процитовано 22 жовтня 2014.
динамічні баєсові мережі (що включають приховані марковські моделі та фільтри Калмана як окремі випадки)
(англ.)
- Murphy, Kevin (2002). Dynamic Bayesian Networks: Representation, Inference and Learning. UC Berkeley, Computer Science Division. Архів оригіналу за 20 квітня 2015. Процитовано 23 лютого 2015. (англ.)
- Ghahramani, Zoubin (1997). Learning Dynamic Bayesian Networks. Lecture Notes in Computer Science[en]. 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.)
- 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 [Архівовано 15 квітня 2012 у Wayback Machine.]: 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 [Архівовано 18 травня 2014 у Wayback Machine.]: бібліотека C++, що пропонує реалізації різноманітних (наближених) методів виведення для дискретних графічних моделей[en]; підтримує довільні графи розкладу[en] з дискретними змінними, включно з дискретними марковськими та баєсовими мережами (випущена під ліцензією FreeBSD)
- aGrUM [Архівовано 18 листопада 2016 у Wayback Machine.]: бібліотека C++ (зі обв'язками для Python) для різних типів ІГМ, включно з баєсовими мережами та динамічними баєсовими мережами (випускається під ліцензією GPLv3)
В іншому мовному розділі є повніша стаття Réseau bayésien dynamique(фр.). Ви можете допомогти, розширивши поточну статтю за допомогою перекладу з французької.
|
Це незавершена стаття зі статистики. Ви можете допомогти проєкту, виправивши або дописавши її. |