Los modelos de red bayesiana de orden variable (VOBN) proporcionan una extensión importante tanto de los modelos de red bayesiana como de los modelos de Markov de orden variable . Los modelos VOBN se utilizan en el aprendizaje automático en general y han demostrado un gran potencial en aplicaciones bioinformáticas . [1] [2] Estos modelos extienden los modelos de matriz de peso de posición (PWM) ampliamente utilizados, los modelos de Markov y los modelos de red bayesiana (BN).
A diferencia de los modelos BN, donde cada variable aleatoria depende de un subconjunto fijo de variables aleatorias, en los modelos VOBN estos subconjuntos pueden variar en función de la realización específica de las variables observadas. Las realizaciones observadas suelen denominarse contexto y, por lo tanto, los modelos VOBN también se conocen como redes bayesianas específicas del contexto. [3] La flexibilidad en la definición de subconjuntos condicionantes de variables resulta ser una ventaja real en aplicaciones de clasificación y análisis, ya que las dependencias estadísticas entre variables aleatorias en una secuencia de variables (no necesariamente adyacentes) pueden tenerse en cuenta de manera eficiente y de manera específica para la posición y el contexto.
Véase también
- Cadena de Markov
- Ejemplos de cadenas de Markov
- Modelos de Markov de orden variable
- Proceso de Markov
- Cadena de Markov Monte Carlo
- Proceso semi-Markoviano
- Inteligencia artificial
Referencias
- ^ Ben-Gal, I.; Shani A.; Gohr A.; Grau J.; Arviv S.; Shmilovici A.; Posch S.; Grosse I. (2005). "Identificación de sitios de unión de factores de transcripción con redes bayesianas de orden variable". Bioinformática . 21 (11): 2657– 2666. doi :10.1093/bioinformatics/bti410. PMID 15797905.
- ^ Grau, J.; Ben-Gal I.; Posch S.; Grosse I. (2006). "VOMBAT: Predicción de sitios de unión de factores de transcripción utilizando árboles bayesianos de orden variable" (PDF) . Nucleic Acids Research . 34 (número de servidor web): 529– 533. doi :10.1093/nar/gkl212. PMC 1538886 . PMID 16845064.
- ^ Boutilier, C.; Friedman, N. ; Goldszmidt, M.; Koller, D. (1996). Independencia específica del contexto en redes bayesianas. 12.ª Conferencia sobre incertidumbre en inteligencia artificial (1–4 de agosto de 1996). Reed College, Portland, Oregón, EE. UU., págs. 115–123 . arXiv : 1302.3562 .
Enlaces externos
- VOMBAT: https://www2.informatik.uni-halle.de:8443/VOMBAT/