stringtranslate.com

Red bayesiana dinámica

Red Bayesiana Dinámica compuesta por 3 variables.
Red bayesiana desarrollada en 3 pasos de tiempo.
Red bayesiana dinámica simplificada. No es necesario duplicar todas las variables en el modelo gráfico, pero también son dinámicas.

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]

Hoy en día, los DBN son comunes en la robótica y han demostrado potencial para una amplia gama de aplicaciones de minería de datos . Por ejemplo, se han utilizado en reconocimiento de voz , ciencia forense digital , secuenciación de proteínas y bioinformática . DBN es una generalización de modelos ocultos de Markov y filtros de Kalman . [5]

Los DBN están relacionados conceptualmente con redes booleanas probabilísticas [6] y, de manera similar, pueden usarse para modelar sistemas dinámicos en estado estacionario.

Ver también

Referencias

  1. ^ 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.
  2. ^ 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 .
  3. ^ 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 .
  4. ^ 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.
  5. ^ Estuardo Russell ; Peter Norvig (2010). Inteligencia artificial: un enfoque moderno (PDF) (Tercera ed.). Prentice Hall . pag. 566.ISBN​ 978-0136042594. 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)
  6. ^ 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


Software


  • v
  • t
  • mi