Questions tagged «bayesian-networks»

我已经读过HMM，粒子滤波器和卡尔曼滤波器是动态贝叶斯网络的特例。但是，我只知道HMM，看不到动态贝叶斯网络的区别。 有人可以解释一下吗？ 如果您的答案可能类似于以下内容，那将是很好的选择，但对于Bayes Networks： 隐马尔可夫模型 隐马尔可夫模型（HMM）是5元组：λ = （S，O ，A ，B ，Π ）λ=(S,O,A,B,Π)\lambda = (S, O, A, B, \Pi) ：一组状态（例如“音素的开始”，“音素的中间”，“音素的结尾”）小号≠ ∅S≠∅S \neq \emptyset ：一组可能的观察值（音频信号）O ≠ ∅O≠∅O \neq \emptyset ：一个随机矩阵，给出概率（a i j）从状态 i到状态 j。A∈R|S|×|S|A∈R|S|×|S|A \in \mathbb{R}^{|S| \times |S|}(aij)(aij)(a_{ij})iiijjj ：一个随机矩阵，给出概率（b k l）以使状态 k变为观测值 l。B∈R|S|×|O|B∈R|S|×|O|B \in \mathbb{R}^{|S| \times |O|}(bkl)(bkl)(b_{kl})kkklll ：初始分发开始于一种状态。Π∈R|S|Π∈R|S|\Pi \in \mathbb{R}^{|S|} 它通常被显示为一个有向图，其中每个节点对应于一个状态和转变概率被表示在边缘上。s∈Ss∈Ss \in …

14 bayesian-networks  pgm 

今天，在一次演讲中，有人声称贝叶斯网络中边缘的方向并不重要。他们不必代表因果关系。 很明显，您无法在贝叶斯网络中切换任何单个边缘。例如，令且V = { v 1，v 2，v 3 }和E = { （v 1，v 2），（v 1，v 3），（v 2，v 3）}。如果您要切换（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)\}至（v 3，v 1），则 G将不再是非循环的，因此不再是贝叶斯网络。那么，如何估计概率似乎主要是一个实际问题。这种情况似乎很难回答，因此我将跳过它。(v1,v3)(v1,v3)(v_1, v_3)(v3,v1)(v3,v1)(v_3, v_1)GGG 这使我提出以下问题，希望在这里获得解答： 有向无环图（DAG）是否有可能反转所有边并仍然具有DAG？ 假设DAG 并给出了数据。现在我们构造逆DAG G inv。对于这两个DAG，我们将数据拟合到相应的贝叶斯网络。现在，我们要使用贝叶斯网络来预测缺少的属性的一组数据。两个DAG会有不同的结果吗？（如果您举了一个例子，请加分）GGGGvGvG_\text{inv} 与2相似，但更简单：假设DAG 并给出了数据。您可以通过反转任意一组边来创建新图G '，只要G '保持非循环即可。在预测方面，贝叶斯网络是否等效？GGGG′G′G'G′G′G' 如果我们有代表因果关系的边，我们会得到一些东西吗？

10 bayesian-networks