Rete bayesiana dinamica

Rete bayesiana dinamica composta da 3 variabili.

Una rete bayesiana dinamica (acronimo inglese DBN da dynamic Bayesian network) è una rete bayesiana che mette in relazione tra loro le variabili anche su istanti di tempo adiacenti. Una rete bayesiana dinamica è spesso chiamata rete bayesiana "a due tempi" (acronimo inglese 2TBN) perché indica che in qualsiasi istante di tempo T, il valore di una variabile possa essere calcolato sulla base dei regressori interni e del suo valore immediatamente precedente (a tempo T-1).

Rete bayesiana sviluppata su 3 istanti successivi.
Rete bayesiana dinamica semplificata. Non è necessario che tutte le variabili siano duplicate nel modello grafico, ma anch'esse sono da considerarsi dinamiche.

Storia

Le DBN sono state sviluppate da Paul Dagum nei primi anni '90 presso la Sezione di Informatica Medica dell'Università di Stanford [1][2]. Le DBN sono state definite per unificare ed estendere i tradizionali modelli a spazi di stati lineari come i filtri di Kalman, i modelli di previsione lineari e gaussiani come ARMA e modelli di dipendenza semplici come i modelli di Markov nascosti per arrivare a una rappresentazione probabilistica generale con un meccanismo di inferenza per domini non lineari e non normali arbitrari dipendenti dal tempo[3][4].

Le DBN costituiscono una generalizzazione dei modelli di Markov nascosti e dei filtri di Kalman[5]. Le DBN sono anche concettualmente correlate alle reti probabilistiche booleane[6] e, in modo simile a queste, possono essere utilizzate per modellare sistemi dinamici in stati stazionari.

Applicazioni

Le DBN vengono utilizzate comunemente in robotica e hanno dimostrato le loro potenzialità in un'ampia gamma di applicazioni di data mining. Ad esempio, sono stati utilizzate nel riconoscimento vocale, in informatica forense, nel sequenziamento delle proteine e in bioinformatica.

Voci correlate

  • Modelli grafici
  • Stima bayesiana ricorsiva

Note

  1. ^ Paul Dagum; Adam Galper; Eric Horvitz, Dynamic Network Models for Forecasting (PDF), in Proceedings of the Eighth Conference on Uncertainty in Artificial Intelligence, AUAI Press.
  2. ^ Paul Dagum; Adam Galper; Eric Horvitz; Adam Seiver, Uncertain Reasoning and Forecasting, in International Journal of Forecasting, vol. 11, DOI:10.1016/0169-2070(94)02009-e.
  3. ^ Paul Dagum; Adam Galper; Eric Horvitz, Temporal Probabilistic Reasoning: Dynamic Network Models for Forecasting (PDF), in Knowledge Systems Laboratory. Section on Medical Informatics, Stanford University.
  4. ^ Paul Dagum; Adam Galper; Eric Horvitz, Forecasting Sleep Apnea with Dynamic Network Models, in Proceedings of the Ninth Conference on Uncertainty in Artificial Intelligence.
  5. ^ Stuart Russell e Peter Norvig, Artificial Intelligence: A Modern Approach (PDF), 3a, Prentice Hall, 2010, p. 566, ISBN 978-0136042594.
  6. ^ Harri Lähdesmäki, et al., Relationships between probabilistic Boolean networks and dynamic Bayesian networks as models of gene regulatory networks, in Signal Processing, vol. 86, n. 4, DOI:10.1016/j.sigpro.2005.06.008, PMID 17415411.
  Portale Informatica
  Portale Ingegneria
  Portale Statistica