동적 베이시안 네트워크
Dynamic Bayesian network
3개의 변수로 구성된 동적 베이시안 네트워크.
베이시안 네트워크는 3단계에 걸쳐 개발되었다.
Simplified Dynamic Bayesian Network. 모든 변수를 그래픽 모델에서 복제할 필요는 없지만, 또한 동적이다.
DBN(Dynamic Bayesian Network)은 인접 시간 단계에 걸쳐 변수를 서로 연결하는 베이시안 네트워크(BN)이다. 이것은 어느 시점 T에서든 변수의 값은 내부 리저버와 즉시 이전 값(시간 T-1)에서 계산할 수 있다고 되어 있기 때문에 종종 Two-Timeslice BN(2TBN)이라고 불린다. DBNs는 1990년대 초 미국 스탠퍼드대 의학정보학부(Section of Medical Informatics)에서 Paul Dagum에 의해 개발되었다.[1][2] Dagum은 Kalman 필터와 같은 전통적인 선형 상태 공간 모델, ARMA와 같은 선형 및 정규 예측 모델과 숨겨진 마르코프 모델과 같은 단순 종속 모델을 임의의 비선형 및 비정규 시간 의존적 도메인에 대한 일반 확률적 표현 및 추론 메커니즘으로 통합하고 확장하기 위해 DBN을 개발했다.[3][4]
오늘날 DBN은 로봇공학에서 흔하며, 광범위한 데이터 마이닝 애플리케이션에 대한 가능성을 보여주었다. 예를 들어, 그것들은 음성 인식, 디지털 포렌식, 단백질 염기서열 분석, 생물정보학 등에 사용되어 왔다. DBN은 숨겨진 마르코프 모델과 칼만 필터를 일반화한 것이다.[5]
DBN은 개념적으로 Probabilistic Boolean Networks와 관련되며, 마찬가지로 정상 상태의 동적 시스템을 모델링하는 데 사용될 수 있다.
참고 항목
참조
- ^ Paul Dagum; Adam Galper; Eric Horvitz (1992). "Dynamic Network Models for Forecasting" (PDF). Proceedings of the Eighth Conference on Uncertainty in Artificial Intelligence. AUAI Press: 41–48.
- ^ Paul Dagum; Adam Galper; Eric Horvitz; Adam Seiver (1995). "Uncertain Reasoning and Forecasting". International Journal of Forecasting. 11 (1): 73–87. doi:10.1016/0169-2070(94)02009-e.
- ^ Paul Dagum; Adam Galper; Eric Horvitz (June 1991). "Temporal Probabilistic Reasoning: Dynamic Network Models for Forecasting" (PDF). Knowledge Systems Laboratory. Section on Medical Informatics, Stanford University.
- ^ Paul Dagum; Adam Galper; Eric Horvitz (1993). "Forecasting Sleep Apnea with Dynamic Network Models". Proceedings of the Ninth Conference on Uncertainty in Artificial Intelligence. AUAI Press: 64–71.
- ^ Stuart Russell; Peter Norvig (2010). Artificial Intelligence: A Modern Approach (PDF) (Third ed.). Prentice Hall. p. 566. ISBN 978-0136042594. Archived from the original (PDF) on 20 October 2014. Retrieved 22 October 2014.
dynamic Bayesian networks (which include hidden Markov models and Kalman filters as special cases)
- ^ Harri Lähdesmäki; Sampsa Hautaniemi; Ilya Shmulevich; Olli Yli-Harja (2006). "Relationships between probabilistic Boolean networks and dynamic Bayesian networks as models of gene regulatory networks". Signal Processing. 86 (4): 814–834. doi:10.1016/j.sigpro.2005.06.008. PMC 1847796. PMID 17415411.
추가 읽기
- Murphy, Kevin (2002). Dynamic Bayesian Networks: Representation, Inference and Learning. UC Berkeley, Computer Science Division.
- Ghahramani, Zoubin (1997). Learning Dynamic Bayesian Networks. Lecture Notes in Computer Science. Vol. 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). Learning the structure of dynamic probabilistic networks. UAI’98. Morgan Kaufmann. pp. 139–147. CiteSeerX 10.1.1.75.2969.
소프트웨어
- bnt on GitHub: Kevin Murphy의 Matlab용 Bayes Net Toolbox (GPL 라이센스에 따라 출시)
- 그래픽 모델 툴킷(GMTK): 동적 그래픽 모델(DGM)과 동적 베이지안 네트워크(DBN)를 사용하여 통계 모델을 신속하게 프로토타이핑할 수 있는 공개 소스, 공개적으로 사용할 수 있는 툴킷. GMTK는 음성 및 언어 처리, 생물정보학, 활동 인식 및 모든 시계열 응용 분야의 응용 및 연구에 사용될 수 있다.
- DBMC : MCMC를 이용한 Dynamic Bayesian Networks 유추, Matlab용 (무료 소프트웨어)
- Google 코드에서 GlobalMIT Matlab 도구 상자: 동적 베이지안 네트워크의 글로벌 최적화를 통한 유전자 규제 네트워크 모델링(GPL 라이센스에 따라 공개)
- libDAI: 이산형 그래픽 모델에 대해 다양한(대략적인) 추론 방법을 구현하는 C++ 라이브러리, 이산형 마르코프 랜덤 필드 및 베이시안 네트워크(FreeB에 따라 발표됨)를 포함한 이산형 변수를 포함한 임의 인자 그래프를 지원한다.SD 라이센스)
- aGRUM: Bayesian Networks 및 Dynamic Bayesian Networks(GPLv3에 따라 릴리스됨)를 비롯한 다양한 유형의 PGM을 위한 C++ 라이브러리(Python 바인딩 포함)
- FANCE: 사전 생물학적 지식을 모델링하기 위한 다양한 정규화 계획(GPLv3에 따라 발표됨)을 포함하여 생물학적 정량적 데이터로 규제 네트워크의 DBN 모델을 상황별화하기 위한 Matlab 도구 상자
