Apa perbedaan antara jaringan Bayes (dinamis) dan HMM?

Saya telah membaca bahwa HMM, Filter Partikel dan filter Kalman adalah kasus khusus dari jaringan Bayes yang dinamis. Namun, saya hanya tahu HMM dan saya tidak melihat perbedaan pada jaringan Bayes yang dinamis.

Bisakah seseorang tolong jelaskan?

Akan lebih baik jika jawaban Anda bisa mirip dengan yang berikut, tetapi untuk bayes Networks:

Model Markov Tersembunyi

Hidden Markov Model (HMM) adalah 5-tuple :$\lambda = (S, O, A, B, \Pi)$

• $S \neq \emptyset$ : Seperangkat keadaan (mis. "Awal fonem", "tengah fonem", "akhir fonem")
• $O \neq \emptyset$ : Satu set pengamatan yang memungkinkan (sinyal audio)
• $A \in \mathbb{R}^{|S| \times |S|}$ : Matriks stokastik yang memberikan probabilites untuk mendapatkan dari state i ke state j .$(a_{ij})$$i$$j$
• $B \in \mathbb{R}^{|S| \times |O|}$: Sebuah matriks stokastik yang memberikan probabilites$(b_{kl})$ untuk mendapatkan keadaan$k$ pengamatan$l$ .
• $\Pi \in \mathbb{R}^{|S|}$: Distribusi awal untuk memulai di salah satu negara.

Biasanya ditampilkan sebagai grafik terarah, di mana setiap node sesuai dengan satu negara dan probabilitas transisi dilambangkan di tepi.$s \in S$

Hidden Markov Models disebut "tersembunyi", karena keadaan saat ini disembunyikan. Algoritma harus menebaknya dari pengamatan dan model itu sendiri. Mereka disebut "Markov", karena untuk negara berikutnya hanya keadaan saat ini yang penting.

Untuk HMM, Anda memberikan topologi tetap (jumlah status, kemungkinan tepi). Lalu ada 3 tugas yang mungkin

• Evaluasi : diberi HMM , bagaimana mungkin itu untuk mendapatkan pengamatan o 1 , ... , o t (algoritma Forward)$\lambda$$o_1, \dots, o_t$
• Decoding : diberi HMM dan pengamatan o 1 , ... , o t , apa yang paling mungkin urutan negara s 1 , ... , s t (algoritma Viterbi)$\lambda$$o_1, \dots, o_t$$s_1, \dots, s_t$
• Belajar : belajar : Algoritma Baum-Welch , yang merupakan kasus khusus dari maksimisasi Ekspektasi.$A, B, \Pi$

Jaringan Bayes

Jaringan Bayes adalah grafik asiklik langsung (DAG) . Node mewakili variabel acak X ∈ X . Untuk setiap X , ada distribusi probabilitas yang dikondisikan pada orang tua X :$G = (\mathcal{X}, \mathcal{E})$$X \in \mathcal{X}$$X$$X$

Tampaknya ada (tolong jelaskan) dua tugas:

• Kesimpulan : Diberikan beberapa variabel, dapatkan nilai yang paling mungkin dari variabel lain. Inferensi yang tepat adalah NP-hard. Kira-kira, Anda bisa menggunakan MCMC.

• Belajar : Bagaimana Anda mempelajari distribusi itu tergantung pada masalah yang sebenarnya ( sumber ):

  • struktur yang diketahui, dapat diamati sepenuhnya: estimasi kemungkinan maksimum (MLE)
  • struktur yang diketahui, dapat diamati sebagian: Maksimalisasi Ekspektasi (EM) atau Rantai Markov Monte Carlo (MCMC)
  • struktur tidak dikenal, dapat diamati sepenuhnya: mencari melalui ruang model
  • struktur tidak dikenal, dapat diamati sebagian: pencarian EM + melalui ruang model

Jaringan Dynamic Bayes

Saya kira jaringan Bayes dinamis (DBNs) juga diarahkan model grafis probabilistik. Keragaman tampaknya berasal dari jaringan yang berubah seiring waktu. Namun, tampaknya bagi saya bahwa ini setara dengan hanya menyalin jaringan yang sama dan menghubungkan setiap simpul pada waktu dengan setiap node yang sesuai pada waktu t + 1 . Apakah itu masalahnya?$t$$t+1$

Dari pertanyaan serupa Palang Validasi berikut @jerad jawabannya:

HMM tidak setara dengan DBN, melainkan merupakan kasus khusus DBN di mana seluruh negara di dunia diwakili oleh satu variabel keadaan tersembunyi. Model-model lain dalam kerangka kerja DBN menggeneralisasi HMM dasar, memungkinkan lebih banyak variabel status tersembunyi (lihat makalah kedua di atas untuk banyak varietas).

Akhirnya, tidak, DBN tidak selalu terpisah. Misalnya, model keadaan Gaussian linier (Filter Kalman) dapat dipahami sebagai HMM bernilai kontinu, sering digunakan untuk melacak objek di ruang angkasa.

Saya akan merekomendasikan melihat melalui dua makalah ulasan yang sangat baik ini:

• Pengantar Model Markov Tersembunyi dan Jaringan Bayesian oleh Zoubin Gharamani
• Dynamic Bayesian Networks oleh Kevin Murphy