Hiyerarşik modeller, sinir ağları, grafik modeller, bayes ağları arasındaki ilişki nedir?

34

Hepsi düğümlerin rastgele değişkenlerini temsil ediyor gibi görünmekte ve (muhtemelen yönlendirilmiş) kenarlar vasıtasıyla (in) bağımlılığı göstermektedir. Bayesian'ın bakış açısıyla özellikle ilgileniyorum.

— cespinoza
kaynak

30

Bayesian ağı, bir tür grafik modeldir. Diğer bir "büyük" grafik model türü ise Markov Rastgele Alanıdır (MRF). Grafik modeller çıkarım, tahmin ve genel olarak dünyayı modellemek için kullanılır.

Hiyerarşik model terimi, farklı alanlarda birçok şeyi ifade etmek için kullanılır.

Yapay sinir ağları "grafikler" ile gelirken, genellikle bağımlılık bilgilerini kodlamazlar ve düğümler rasgele değişkenleri temsil etmez. NN'ler farklıdır çünkü ayırt edicidirler. Popüler sinir ağları sınıflandırma ve regresyon için kullanılır.

Kevin Murphy, burada bulunan bu konulara mükemmel bir giriş yapmıştır .

— carlosdc
kaynak

güzel bağlantı. thx

— suncoolsu

1

Cevap için teşekkürler. Orijinal asker gibi, yine de, çok seviyeli / hiyerarşik regresyon modellerinin bu resme nerede sığdığını merak ediyorum. (Hiyerarşik burada tanımlandığı gibidir: en.wikipedia.org/wiki/Hierarchical_linear_modeling )

— Yang

ancak, generatif sinir ağı modelleri de var. RNN'ler, GAN'ler, vb.

— Alexander Reshytko

9

Olarak @carlosdc bahsedilen bir Bayesian ağ Grafik Model türüdür (örneğin, yapısı yönlendirilmiş bir asiklik grafiktir (DAG) koşullu bağımsızlık özellikler kümesini tanımlamaktadır). Hiyerarşik Bayes Modelleri ayrıca DAG olarak da gösterilebilir; Belirsiz veriler için Hiyerarşik Naive Bayes Sınıflandırıcılar , Bellazzi ve arkadaşları tarafından, bu modellerle sınıflandırma için iyi bir giriş sağlar. Hiyerarşik modeller hakkında, uygun anahtar kelimelerle googling yaparak birçok makalenin alınabileceğini düşünüyorum; örneğin, bunu buldum:

CH Jackson, NG En İyi ve S. Richardson. Farklı değişkenlere sahip çoklu veri kümelerinde regresyon için Bayes grafik modelleri . Biyoistatistik (2008) 10 (2): 335-351.

Michael I. Jordan, biyoinformatik veya doğal dil işlemede faktoring Saklı Markov modeline dayanan çeşitli uygulamalarla Grafik Modeller konusunda güzel bir eğiticiye sahiptir . Grafiksel Modellerde Öğrenme (MIT Press, 1998) adlı kitabı da okumaya değer. ( BUGS kodu, s. 575-598 ile yapısal modelleme için GM'lerin bir uygulaması var)

— chl
kaynak

0

Sinir ağları öncelikleri gerektirmez, ancak bir sinir ağının her bir gizli düğümü (nöronlar) CPD olarak kabul edilebilir - doğrusal bir düğüm için Gürültülü OR / VE CPD - bir lojistik düğüm için Sigmoid CPD

Böylece, sinir ağları, her biri doğrusal / sigmoidal CPD'li çok sayıda gizli düğüm katmanı olarak görülebilir.

Koller'in Coursera VEYA ders kitabındaki sınıfı, CPD türleri için iyi bir referans olmalıdır.

— Raghu
kaynak

CPD ne anlama geliyor?

— gwr