Hispanopedia Wiki
Articulo de referencia

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 variab...

Hispanopedia WikiContenido en espanolLectura gratuita
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 (RBD) es una red bayesiana (RB) que relaciona variables entre sí en pasos de tiempo adyacentes.

Historia

Una red bayesiana dinámica (RBD) se denomina a menudo RB de "dos intervalos de tiempo" (RBDT) porque indica que en cualquier momento T, el valor de una variable puede calcularse a partir de los regresores internos y el valor previo inmediato (tiempo T-1). Las RBD fueron desarrolladas 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 las RBD para unificar y extender los modelos tradicionales de espacio de estados lineales, como los filtros de Kalman , los modelos de pronóstico lineales y normales, como ARMA , y los 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 ]

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

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

Véase también

Referencias

  1. ↑ Paul Dagum ; Adam Galper ; Eric Horvitz (1992). "Modelos de redes dinámicas para la predicción" (PDF) . Actas de la Octava Conferencia sobre Incertidumbre en Inteligencia Artificial . AUAI Press: 41–48 .
  2. ↑ Paul Dagum ; Adam Galper ; Eric Horvitz ; Adam Seiver (1995). "Razonamiento incierto y pronóstico" . International Journal of Forecasting . 11 (1): 73– 87. doi : 10.1016/0169-2070(94)02009-e .
  3. ↑ Paul Dagum ; Adam Galper ; Eric Horvitz (junio de 1991). "Razonamiento probabilístico temporal: modelos de redes dinámicas para la predicción" (PDF) . Laboratorio de Sistemas de Conocimiento. Sección de Informática Médica, Universidad de Stanford . Archivado del original el 7 de septiembre de 2015.
  4. ↑ Paul Dagum ; Adam Galper ; Eric Horvitz (1993). "Pronóstico de la apnea del sueño con modelos de redes dinámicas" . Actas de la Novena Conferencia sobre Incertidumbre en Inteligencia Artificial . AUAI Press: 64–71 .
  5. ↑ Stuart Russell ; Peter Norvig (2010). Inteligencia artificial: un enfoque moderno (PDF) (Tercera ed.). Prentice Hall . pág. 566. ISBN   978-0136042594Archivado del 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 ; Ilya Shmulevich ; Olli Yli-Harja (2006). "Relaciones entre redes booleanas probabilísticas y redes bayesianas dinámicas como modelos de redes reguladoras de genes" . Procesamiento de señales . 86 (4): 814–834 . doi : 10.1016/j.sigpro.2005.06.008 . PMC 1847796. PMID 17415411 .  

Lecturas adicionales

  • 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 . 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). Aprendizaje de la estructura de redes probabilísticas dinámicas . UAI'98. Morgan Kaufmann. pp. 139– 147. CiteSeerX 10.1.1.75.2969 .  
  • Shiguihara, P.; De Andrade Lopes, A.; Mauricio, D. (2021). "Modelado, aprendizaje e inferencia de redes bayesianas dinámicas: una revisión" . IEEE Access. doi : 10.1109/ACCESS.2021.3105520 .{{cite journal}}: Para citar una revista se requiere |journal=( ayuda )

Software

  • bnt en GitHub : la caja de herramientas de redes bayesianas para Matlab, por Kevin Murphy (publicada bajo una licencia GPL ).
  • Kit de herramientas de modelos gráficos (GMTK): un conjunto de herramientas de código abierto y de acceso público para la creación rápida de prototipos de modelos estadísticos mediante modelos gráficos dinámicos (DGM) y redes bayesianas dinámicas (DBN). GMTK puede utilizarse en aplicaciones e investigaciones de procesamiento del habla y el lenguaje, bioinformática, reconocimiento de actividad y cualquier aplicación de series temporales.
  • DBmcmc  : Inferencia de redes bayesianas dinámicas con MCMC para Matlab (software gratuito)
  • Caja de herramientas GlobalMIT Matlab en Google Code : Modelado de redes reguladoras de genes mediante la optimización global de redes bayesianas dinámicas (publicada bajo licencia GPL ).
  • libDAI : biblioteca de C++ que proporciona implementaciones de varios métodos de inferencia (aproximados) para modelos gráficos discretos; admite grafos factoriales arbitrarios con variables discretas, incluidos campos aleatorios de Markov discretos y redes bayesianas (publicada bajo la licencia FreeBSD ).
  • aGrUM : biblioteca de C++ (con enlaces a Python) para diferentes tipos de PGM, incluidas redes bayesianas y redes bayesianas dinámicas (publicada bajo la licencia GPLv3).
  • FALCON : Caja de herramientas de Matlab para la contextualización de modelos DBN de redes reguladoras con datos biológicos cuantitativos, incluyendo varios esquemas de regularización para modelar el conocimiento biológico previo (publicado bajo la licencia GPLv3).

Lecturas relacionadas
6 articulos
red bayesianared bayesianaUna red bayesiana (también conocida como red de Bayes , red bayesiana , red de creencias o red de decisión ) es un modelo gráfico probabilístico qu...Universidad de StanfordUniversidad de StanfordLa Universidad de Stanford (oficialmente Leland Stanford Junior University ) [11] [12] es una universidad privada de investigación en Stanford, Cal...Filtro KalmanFiltro KalmanEn estadística y teoría de control , el filtrado de Kalman (también conocido como estimación cuadrática lineal ) es un algoritmo que utiliza una se...{\estilo de visualización X}Modelo oculto de MarkovUn modelo oculto de Markov ( HMM ) es un modelo de Markov en el que las observaciones dependen de un proceso de Markov latente (u oculto ) (denomin...RobóticaRobóticaLa robótica es el estudio interdisciplinario y la práctica del diseño, construcción, operación y uso de robots . [1]Minería de datosMinería de datosLa minería de datos es el proceso de extracción y descubrimiento de patrones en grandes conjuntos de datos que involucra métodos en la intersección...