Вывод в гауссовской байесовской сети

У меня возникла проблема, связанная с частичным абдуктивным выводом в гауссовских байесовских сетях (байесовские сети, которые учитывают непрерывный характер случайных величин и совместно следуют гауссовскому распределению)...

Мои вопросы:

  1. Могут ли такие алгоритмы, как распространение дерева соединений, быть применимы, как для байесовских сетей с дискретными переменными, в случае гауссовых байесовских сетей?
  2. Если нет, то какие алгоритмы применимы в случае гауссовых байесовских сетей?
  3. Есть ли какое-либо доказательство сложности частичного абдуктивного вывода в случае гауссовых байесовских сетей (как известно, задача является NP-трудной в случае байесовских сетей с дискретными переменными)?
  4. Могут ли эволюционные алгоритмы или критерии выборки MCMC применяться для приблизительного частичного абдуктивного вывода в гауссовых байесовских сетях?

Я буду очень благодарен всем вам, если вы любезно поможете мне в этом отношении. Заранее спасибо...


machine-learning inference gaussian bayesian-networks
person Sandipan Karmakar    schedule 02.06.2013    source источник

Ответы (1)


arrow_upward
3
arrow_downward

Распространение убеждений — это общий алгоритм вывода, основанный на передаче сообщений, который требует двух операций: sum() и product(), которые можно легко реализовать для гауссовых переменных.

Распространение соединительного дерева — это частный случай распространения убеждений, работающего на деревьях, поэтому его можно применять и к гауссовым байесовским сетям.

Эти книги объясняют вывод в непрерывных байесовских сетях в некоторых деталях:

  • Кристофер М. Бишоп. Распознавание образов и машинное обучение (информатика и статистика), 2009 г.
  • Дафна Коллер, Нир Фридман. Вероятностные графические модели, принципы и методы, 2009 г.
person Daniel Korzekwa    schedule 04.06.2013