Learning Dynamic Bayesian Networks from Data: Foundations, First Principles and Numerical Comparisons

要約

このペーパーでは、一定期間の複数の軌跡サンプルの形式のデータからダイナミック ベイジアン ネットワーク (DBN) を学習するための基礎に関するガイドを示します。
特定の変数分布に対する一般的なタイプの DBN と一連の一般的なタイプの DBN の形式を提示します。
DBN モデルの構造と重みの間の相互依存性と、それらが学習に与える影響についての包括的な議論とともに、モデルの分析形式を示します。
次に、学習方法の広範な概要を示し、最も重要な統計的特徴と、学習構造と重みの間の相互作用を学習方法がどのように扱うかに基づいて説明および分類します。
静的な場合との違いを強調して、尤度関数とベイジアン スコア関数の分析形式を示します。
構造要件を強制するための最適化に使用される関数について説明します。
より複雑な拡張と表現について簡単に説明します。
最後に、バリアント間のさまざまな異なる、しかし代表的なアルゴリズムについて、さまざまな設定での一連の比較を示します。

要約(オリジナル)

In this paper, we present a guide to the foundations of learning Dynamic Bayesian Networks (DBNs) from data in the form of multiple samples of trajectories for some length of time. We present the formalism for a generic as well as a set of common types of DBNs for particular variable distributions. We present the analytical form of the models, with a comprehensive discussion on the interdependence between structure and weights in a DBN model and their implications for learning. Next, we give a broad overview of learning methods and describe and categorize them based on the most important statistical features, and how they treat the interplay between learning structure and weights. We give the analytical form of the likelihood and Bayesian score functions, emphasizing the distinction from the static case. We discuss functions used in optimization to enforce structural requirements. We briefly discuss more complex extensions and representations. Finally we present a set of comparisons in different settings for various distinct but representative algorithms across the variants.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google