Bayesianisches Netzwerk variabler Ordnung - Variable-order Bayesian network
VOBN- Modelle (Bayesian Network) variabler Ordnung bieten eine wichtige Erweiterung sowohl der Bayesian Network- Modelle als auch der Markov-Modelle variabler Ordnung . VOBN-Modelle werden im Allgemeinen beim maschinellen Lernen verwendet und haben in Bioinformatik- Anwendungen ein großes Potenzial gezeigt . Diese Modelle erweitern die weit verbreiteten PWM-Modelle ( Position Weight Matrix ), Markov-Modelle und BN-Modelle (Bayesian Network).
Im Gegensatz zu den BN-Modellen, bei denen jede Zufallsvariable von einer festen Teilmenge von Zufallsvariablen abhängt, können diese Teilmengen in VOBN-Modellen je nach spezifischer Realisierung der beobachteten Variablen variieren. Die beobachteten Realisierungen werden oft als Kontext bezeichnet, und daher werden VOBN-Modelle auch als kontextspezifische Bayes'sche Netzwerke bezeichnet. Die Flexibilität bei der Definition von Konditionierungsteilmengen von Variablen stellt sich bei Klassifizierungs- und Analyseanwendungen als echter Vorteil heraus, da die statistischen Abhängigkeiten zwischen Zufallsvariablen in einer Folge von Variablen (nicht unbedingt benachbart) effizient berücksichtigt werden können und in a positionsspezifische und kontextspezifische Weise.
Siehe auch
- Markov-Kette
- Beispiele für Markov-Ketten
- Markov-Modelle variabler Ordnung
- Markov-Prozess
- Markov-Kette Monte Carlo
- Semi-Markov-Prozess
- Künstliche Intelligenz
Verweise
- ^ Ben-Gal, I.; Shani A.; Gohr A.; Grau J.; Arviv S.; Shmilovici A.; Posch S.; Grosse I. (2005). "Identifizierung von Transkriptionsfaktor-Bindungsstellen mit Bayes'schen Netzwerken variabler Ordnung" . Bioinformatik . 21 (11): 2657–2666. doi : 10.1093 / bioinformatics / bti410 . PMID 15797905 .
- ^ Grau, J.; Ben-Gal I.; Posch S.; Grosse I. (2006). "VOMBAT: Vorhersage von Transkriptionsfaktor-Bindungsstellen unter Verwendung von Bayes'schen Bäumen variabler Ordnung" (PDF) . Nukleinsäureforschung . 34 (Webserver-Problem): 529–533. doi : 10.1093 / nar / gkl212 . PMC 1538886 . PMID 16845064 .
- ^ Boutilier, C.; Friedman, N . ; Goldszmidt, M.; Koller, D. (1996). Kontextspezifische Unabhängigkeit in Bayes'schen Netzwerken . 12. Konferenz über Unsicherheit in der künstlichen Intelligenz (1. bis 4. August 1996). Reed College, Portland, Oregon, USA. S. 115–123.
