Una red bayesiana dinámica (DBN) es una red bayesiana (BN) que relaciona variables entre sí en pasos de tiempo adyacentes.
Historia
Una red bayesiana dinámica (DBN) a menudo se denomina BN de "dos segmentos" (2TBN) porque dice que en cualquier momento T, el valor de una variable se puede calcular a partir de los regresores internos y el valor anterior inmediato (tiempo T-1). Los DBN fueron desarrollados por Paul Dagum a principios de la década de 1990 en la Sección de Informática Médica de la Universidad de Stanford . [1] [2] Dagum desarrolló DBN para unificar y ampliar modelos lineales tradicionales de espacio de estados, como los filtros de Kalman , modelos de pronóstico lineal y normal como ARMA y modelos de dependencia simples, como los modelos ocultos de Markov, en una representación probabilística general y un mecanismo de inferencia para dominios arbitrarios no lineales y no normales dependientes del tiempo. [3] [4]
Los DBN están relacionados conceptualmente con redes booleanas probabilísticas [6] y, de manera similar, pueden usarse para modelar sistemas dinámicos en estado estacionario.
^ Pablo Dagum; Adán Galper; Eric Horvitz (1992). "Modelos de redes dinámicas para pronósticos" (PDF) . Actas de la Octava Conferencia sobre Incertidumbre en Inteligencia Artificial . Prensa AUAI: 41–48.
^ Pablo Dagum; Adán Galper; Eric Horvitz ; Adam Seiver (1995). "Razonamiento y previsión inciertos". Revista internacional de previsión . 11 (1): 73–87. doi : 10.1016/0169-2070(94)02009-e .
^ Pablo Dagum; Adán Galper; Eric Horvitz (junio de 1991). "Razonamiento probabilístico temporal: modelos de red dinámica para pronósticos" (PDF) . Laboratorio de Sistemas de Conocimiento. Sección de Informática Médica, Universidad de Stanford .
^ Pablo Dagum; Adán Galper; Eric Horvitz (1993). "Predicción de la apnea del sueño con modelos de red dinámica". Actas de la Novena Conferencia sobre Incertidumbre en Inteligencia Artificial . Prensa AUAI: 64–71.
^ Estuardo Russell ; Peter Norvig (2010). Inteligencia artificial: un enfoque moderno (PDF) (Tercera ed.). Prentice Hall . pag. 566.ISBN978-0136042594. Archivado desde el original (PDF) el 20 de octubre de 2014 . Consultado el 22 de octubre de 2014 . Redes bayesianas dinámicas (que incluyen modelos ocultos de Markov y filtros de Kalman como casos especiales)
^ Harri Lähdesmäki; Sampsa Hautaniemi; Iliá Shmulevich; Olli Yli-Harja (2006). "Relaciones entre redes booleanas probabilísticas y redes bayesianas dinámicas como modelos de redes reguladoras de genes". Procesamiento de la señal . 86 (4): 814–834. doi :10.1016/j.sigpro.2005.06.008. PMC 1847796 . PMID 17415411.
Otras lecturas
Murphy, Kevin (2002). Redes bayesianas dinámicas: representación, inferencia y aprendizaje. UC Berkeley, División de Ciencias de la Computación.
Ghahramani, Zoubin (1998). "Aprendizaje de redes bayesianas dinámicas". Procesamiento adaptativo de secuencias y estructuras de datos . Apuntes de conferencias sobre informática. vol. 1387, págs. 168-197. CiteSeerX 10.1.1.56.7874 . doi :10.1007/BFb0053999. ISBN 978-3-540-64341-8.
Friedman, N.; Murphy, K.; Russell, S. (1998). Aprendizaje de la estructura de redes probabilísticas dinámicas . AUI'98. Morgan Kaufman. págs. 139-147. CiteSeerX 10.1.1.75.2969 .
Shiguihara, P.; De Andrade López, A.; Mauricio, D. (2021). "Modelado, aprendizaje e inferencia de redes bayesianas dinámicas: una encuesta". Acceso IEEE. doi : 10.1109/ACCESS.2021.3105520 . {{cite journal}}: Citar diario requiere |journal=( ayuda )
Software
bnt en GitHub : Bayes Net Toolbox para Matlab, por Kevin Murphy, (publicado bajo licencia GPL )
Kit de herramientas de modelos gráficos (GMTK): un conjunto de herramientas de código abierto y disponible públicamente para crear rápidamente prototipos de modelos estadísticos utilizando modelos gráficos dinámicos (DGM) y redes bayesianas dinámicas (DBN). GMTK se puede utilizar para aplicaciones e investigaciones en procesamiento del habla y el lenguaje, bioinformática, reconocimiento de actividades y cualquier aplicación de series temporales.
DBmcmc: Inferir redes bayesianas dinámicas con MCMC, para Matlab (software gratuito)
Caja de herramientas GlobalMIT Matlab en Google Code : modelado de una red reguladora de genes mediante la optimización global de una red bayesiana dinámica (publicado bajo una licencia GPL )
libDAI: biblioteca C++ que proporciona implementaciones de varios métodos de inferencia (aproximados) para modelos gráficos discretos; admite gráficos de factores arbitrarios con variables discretas, incluidos campos aleatorios de Markov discretos y redes bayesianas (publicados bajo la licencia FreeBSD )
aGrUM: biblioteca C++ (con enlaces de Python) para diferentes tipos de PGM, incluidas redes bayesianas y redes bayesianas dinámicas (publicadas bajo GPLv3)
FALCON: Caja de herramientas de Matlab para la contextualización de modelos DBN de redes regulatorias con datos biológicos cuantitativos, incluidos varios esquemas de regularización para modelar conocimientos biológicos previos (publicado bajo la GPLv3)