タグ付けされた質問 「bayesian-networks」

HMM、粒子フィルター、およびカルマンフィルターは、動的ベイズネットワークの特殊なケースであることを読みました。ただし、HMMのみを知っているため、ダイナミックベイズネットワークとの違いはわかりません。 誰か説明してもらえますか？ あなたの答えが次のようになりますが、ベイズネットワークの場合はいいでしょう： 隠れマルコフモデル 隠れマルコフモデル（HMM）は、5タプルのです。λ = （S、O 、A 、B 、Π ）λ=(S,O,A,B,Π)\lambda = (S, O, A, B, \Pi) S≠ ∅S≠∅S \neq \emptyset：状態のセット（例：「音素の始まり」、「音素の中間」、「音素の終わり」） O ≠ ∅O≠∅O \neq \emptyset：考えられる一連の観測（オーディオ信号） A ∈ R| S| × | S|A∈R|S|×|S|A \in \mathbb{R}^{|S| \times |S|}：状態から状態に到達する確率を与える確率行列。i j（a私はj）(aij)(a_{ij})iiijjj B∈R|S|×|O|B∈R|S|×|O|B \in \mathbb{R}^{|S| \times |O|}：確率を与えて状態の観測値を取得する確率行列。k l(bkl)(bkl)(b_{kl})kkklll Π∈R|S|Π∈R|S|\Pi \in \mathbb{R}^{|S|}：いずれかの状態で開始する初期分布。 通常、有向グラフとして表示されます。各ノードは1つの状態対応し、遷移確率はエッジに示されます。s∈Ss∈Ss \in S …

13 bayesian-networks  pgm 

今日の講義では、ベイズネットワークのエッジの方向は本当に重要ではないと主張されました。因果関係を表す必要はありません。 ベイズネットワークでは単一のエッジを切り替えられないことは明らかです。たとえば、をV = { v 1、v 2、v 3 }およびE = { （v 1、v 2）、（v 1、v 3）、（v 2、v 3）}。切り替える場合（vG=(V,E)G=(V,E)G = (V, E)V={v1,v2,v3}V={v1,v2,v3}V = \{v_1, v_2, v_3\}E={(v1,v2),(v1,v3),(v2,v3)}E={(v1,v2),(v1,v3),(v2,v3)}E=\{(v_1, v_2), (v_1, v_3), (v_2, v_3)\}から（v 3、v 1）までの場合、 Gは非循環性ではなくなり、ベイズネットワークではなくなります。これは主にその時の確率をどのように見積もるかという実際的な問題のようです。このケースは答えるのがはるかに難しいようですので、スキップします。(v1,v3)(v1,v3)(v_1, v_3)(v3,v1)(v3,v1)(v_3, v_1)GGG これにより、次の質問ができるようになりました。 有向非循環グラフ（DAG）がすべてのエッジを反転させてもDAGを保持することは可能ですか？ DAG とデータが指定されていると仮定します。次に、逆DAG G invを作成します。両方のDAGについて、データを対応するベイズネットワークに適合させます。これで、欠けている属性を予測するためにベイズネットワークを使用する一連のデータが得られました。両方のDAGで異なる結果になる可能性はありますか？（例が出てきたらボーナス）GGGGinvGinvG_\text{inv} 2と類似するが、単純：想定DAG 及びデータが与えられます。あなたは、新しいグラフ作成することもGを"限り、エッジの任意のセットを反転させてGが「非周期まま。予測に関してはベイズネットワークは同等ですか？GGGG′G′G'G′G′G' 因果関係を表すエッジがある場合、何かを得ますか？

10 bayesian-networks