Bayesiánská síť s proměnným řádem - Variable-order Bayesian network - Wikipedia

Bayesiánská síť s proměnným řádem (VOBN) modely poskytují důležité rozšíření obou Bayesovská síť modely a Markovovy modely proměnného řádu. Modely VOBN se používají v strojové učení obecně a prokázaly velký potenciál v bioinformatika aplikace.[1][2]Tyto modely rozšiřují široce používané hmotnostní matice polohy (PWM) modely, Markovovy modely a modely Bayesovské sítě (BN).

Na rozdíl od BN modelů, kde každá náhodná proměnná závisí na pevné podmnožině náhodných proměnných, se v VOBN modelech mohou tyto podmnožiny lišit na základě konkrétní realizace pozorovaných proměnných. Pozorované realizace se často nazývají kontext, a proto jsou modely VOBN také známé jako kontextově specifické Bayesovské sítě.[3]Flexibilita v definici podmíněných podmnožin proměnných se ukazuje jako skutečná výhoda v klasifikačních a analytických aplikacích, protože lze efektivně zohlednit statistické závislosti mezi náhodnými proměnnými v posloupnosti proměnných (které nemusí nutně sousedit). způsobem závislým na poloze a kontextu.

Viz také

Reference

  1. ^ Ben-Gal, I .; Shani A .; Gohr A .; Grau J .; Arviv S .; Shmilovici A .; Posch S .; Grosse I. (2005). „Identifikace stránek vázajících transkripční faktory s Bayesiánskými sítěmi s proměnným řádem“. Bioinformatika. 21 (11): 2657–2666. doi:10.1093 / bioinformatika / bti410. PMID  15797905.
  2. ^ Grau, J .; Ben-Gal I .; Posch S .; Grosse I. (2006). „VOMBAT: Predikce stránek vázajících transkripční faktory pomocí Bayesiánských stromů s proměnným řádem“ (PDF). Výzkum nukleových kyselin. 34 (Problém s webovým serverem): 529–533. doi:10.1093 / nar / gkl212. PMC  1538886. PMID  16845064.
  3. ^ Boutilier, C .; Friedman N .; Goldszmidt M .; Koller D. (1. – 4. Srpna 1996, Reed College, Portland, Oregon, USA). „Kontextově nezávislost v Bayesovských sítích“. In Sborník z 12. konference o nejistotě v umělé inteligenci: 115–123. Zkontrolujte hodnoty data v: | datum = (Pomoc)

externí odkazy