Rede Bayesiana Dinâmica - Dynamic Bayesian network

Rede Bayesiana Dinâmica composta por 3 variáveis.

Rede Bayesiana desenvolvida em 3 etapas de tempo.

Rede Bayesiana Dinâmica Simplificada. Todas as variáveis ​​não precisam ser duplicadas no modelo gráfico, mas também são dinâmicas.

Uma Rede Bayesiana Dinâmica (DBN) é uma rede Bayesiana (BN) que relaciona variáveis ​​entre si em intervalos de tempo adjacentes. Isso é freqüentemente chamado de Two-Timeslice BN (2TBN) porque diz que em qualquer ponto no tempo T, o valor de uma variável pode ser calculado a partir dos regressores internos e o valor anterior imediato (tempo T-1). Os DBNs foram desenvolvidos por Paul Dagum no início dos anos 1990 na Seção de Informática Médica da Universidade de Stanford . A Dagum desenvolveu DBNs para unificar e estender os modelos de espaço de estado linear tradicionais , como filtros de Kalman , modelos de previsão linear e normal, como ARMA e modelos de dependência simples, comomodelos ocultos de Markov em uma representação probabilística geral e mecanismo de inferência para domínios não lineares e não normais dependentes do tempo arbitrários.

Hoje, os DBNs são comuns na robótica e têm mostrado potencial para uma ampla gama de aplicações de mineração de dados . Por exemplo, eles têm sido usados ​​em reconhecimento de fala , análise forense digital , sequenciamento de proteínas e bioinformática . DBN é uma generalização de modelos ocultos de Markov e filtros de Kalman .

Os DBNs são conceitualmente relacionados a Redes Booleanas Probabilísticas e podem, da mesma forma, ser usados ​​para modelar sistemas dinâmicos em regime permanente.

Veja também

• Estimativa Bayesiana Recursiva
• Rede lógica probabilística
• Filtragem generalizada

Referências

Leitura adicional

• Murphy, Kevin (2002). Redes Bayesianas Dinâmicas: Representação, Inferência e Aprendizagem . UC Berkeley, Divisão de Ciência da Computação.
• Ghahramani, Zoubin (1997). Aprendizagem de Redes Bayesianas Dinâmicas . Notas de aula em Ciência da Computação . 1387 . pp. 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). Aprendendo a estrutura de redes probabilísticas dinâmicas . UAI'98. Morgan Kaufmann. pp. 139–147. CiteSeerX  10.1.1.75.2969 .

Programas

• bnt no GitHub : the Bayes Net Toolbox for Matlab, por Kevin Murphy, (lançado sob uma licença GPL )
• Graphical Models Toolkit (GMTK): um kit de ferramentas de código aberto disponível publicamente para criar protótipos de modelos estatísticos usando modelos gráficos dinâmicos (DGMs) e redes Bayesianas dinâmicas (DBNs). O GMTK pode ser usado para aplicações e pesquisas em processamento de fala e linguagem, bioinformática, reconhecimento de atividades e qualquer aplicação de série temporal.
• DBmcmc  : Inferindo Redes Bayesianas Dinâmicas com MCMC, para Matlab (software livre)
• Caixa de ferramentas GlobalMIT Matlab no Google Code : modelagem de rede regulatória de genes por meio da otimização global de rede bayesiana dinâmica (lançada sob uma licença GPL )
• libDAI : biblioteca C ++ que fornece implementações de vários métodos de inferência (aproximados) para modelos gráficos discretos; suporta gráficos de fator arbitrário com variáveis ​​discretas, incluindo Markov Random Fields discretos e redes Bayesianas (lançado sob a licença FreeBSD )
• aGrUM : biblioteca C ++ (com ligações Python) para diferentes tipos de PGMs, incluindo Redes Bayesianas e Redes Bayesianas Dinâmicas (lançado sob a GPLv3)
• FALCON : caixa de ferramentas Matlab para contextualização de modelos de DBNs de redes regulatórias com dados quantitativos biológicos, incluindo vários esquemas de regularização para modelar conhecimento biológico prévio (divulgado sob a GPLv3)

Este artigo relacionado a estatísticas é um esboço . Você pode ajudar a Wikipedia expandindo-a .

• v
• t
• e