역동적 인 베이지안 시스템의 정의와 HMM과의 관계?

에서 위키 백과

DBN (Dynamic Bayesian Network)은 인접한 시간 간격에 따라 변수를 서로 관련시키는 베이지안 네트워크입니다. T 시점에서 변수 값을 내부 회귀 변수와 직전의 이전 값 (시간 T-1)에서 계산할 수 있기 때문에이를 종종 2 타임 슬라이스 BN이라고합니다 . DBN은 로봇 공학에서 일반적이며 광범위한 데이터 마이닝 응용 프로그램에 대한 잠재력을 보여주었습니다. 예를 들어, 음성 인식, 단백질 시퀀싱 및 생물 정보학에 사용되었습니다. DBN은 히든 마르코프 모델 및 칼만 필터와 동등한 솔루션을 생성하는 것으로 나타났습니다.

1. "즉시 이전 값 (시간 T-1)"이 DBN의 시간 인덱스가 항상 이산적임을 의미하는지 궁금합니다.
2. "T 시점에서 변수 값은 내부 회귀 변수에서 계산할 수 있으며 바로 이전 값 (T-1 시간)"은 DBN이 이산 시간 Markov 프로세스를 의미합니까?

3. 내가 올바르게 이해하면 HMM은 상태의 출력을 동시에 무시하면 이산 시간 Markov 프로세스입니다. HMM과 DBN이 같은 개념인지 궁금합니다. 그러나 다른 Wikipedia 기사에 따르면

   HMM (숨겨진 Markov 모델)은 모델링중인 시스템이 관찰되지 않은 (숨겨진) 상태의 Markov 프로세스로 가정되는 통계적 Markov 모델입니다. HMM은 가장 단순한 동적 베이지안 네트워크로 간주 될 수 있습니다.

   첫 번째 기사 에는 또 다른 인용문이 있습니다 .

   DBN은 히든 마르코프 모델 및 칼만 필터와 동등한 솔루션을 생성하는 것으로 나타났습니다.

감사!

이 두 가지 훌륭한 검토 논문을 살펴 보는 것이 좋습니다.

• Zoubin Gharamani의 숨겨진 Markov 모델 및 베이지안 네트워크 소개

• Kevin Murphy의 동적 베이지안 네트워크

HMM은 DBN과 동일하지 않으며, 전 세계의 모든 상태가 단일 숨겨진 상태 변수로 표시되는 DBN의 특수한 경우입니다. DBN 프레임 워크 내의 다른 모델은 기본 HMM을 일반화하여보다 숨겨진 상태 변수를 허용합니다 (많은 종류에 대해서는 위의 두 번째 논문 참조).

마지막으로, 아니오, DBN이 항상 분리 된 것은 아닙니다. 예를 들어 선형 가우시안 상태 모델 (Kalman Filters)은 종종 공간에서 객체를 추적하는 데 사용되는 연속 값을 갖는 HMM으로 생각할 수 있습니다.