Định nghĩa hệ thống Bayes năng động, và mối quan hệ của nó với HMM?

Từ Wikipedia

Mạng động Bayes (DBN) là Mạng Bayes liên quan đến các biến số với nhau qua các bước thời gian liền kề. Điều này thường được gọi là BN hai lần vì nó nói rằng tại bất kỳ thời điểm nào T, giá trị của biến có thể được tính từ các biến hồi quy bên trong và giá trị trước ngay lập tức (thời gian T-1) . DBN là phổ biến trong robot, và đã cho thấy tiềm năng cho một loạt các ứng dụng khai thác dữ liệu. Ví dụ, chúng đã được sử dụng trong nhận dạng giọng nói, giải trình tự protein và tin sinh học. DBN đã cho thấy sản xuất các giải pháp tương đương với Mô hình Markov ẩn và Bộ lọc Kalman.

1. Tôi đã tự hỏi nếu "giá trị trước ngay lập tức (thời gian T-1)" có nghĩa là chỉ số thời gian trong DBN luôn luôn rời rạc?
2. Liệu "tại bất kỳ thời điểm T nào, giá trị của một biến có thể được tính từ các biến hồi quy bên trong và giá trị trước đó ngay lập tức (thời gian T-1)" có nghĩa là một DBN là một quá trình Markov rời rạc không?

3. Nếu tôi hiểu chính xác, HMM cũng là một quá trình Markov rời rạc, nếu bỏ qua đầu ra từ trạng thái cùng một lúc. Vì vậy, tôi tự hỏi nếu HMM và DBN là cùng một khái niệm? Nhưng một bài viết Wikipedia khác nói

   mô hình Markov ẩn (HMM) là mô hình Markov thống kê trong đó hệ thống được mô hình hóa được coi là một quá trình Markov với các trạng thái không quan sát được (ẩn). Một HMM có thể được coi là mạng Bayesian năng động đơn giản nhất.

   và có một trích dẫn khác từ bài viết đầu tiên :

   DBN đã cho thấy sản xuất các giải pháp tương đương với Mô hình Markov ẩn và Bộ lọc Kalman.

Cảm ơn!

Tôi khuyên bạn nên xem qua hai bài đánh giá xuất sắc này:

• Giới thiệu về Mô hình Markov ẩn và Mạng Bayes của Zoubin Gharamani

• Mạng Bayes năng động của Kevin Murphy

Các HMM không tương đương với các DBN, thay vào đó chúng là một trường hợp đặc biệt của các DBN trong đó toàn bộ trạng thái của thế giới được biểu thị bằng một biến trạng thái ẩn duy nhất. Các mô hình khác trong khung DBN tổng quát hóa HMM cơ bản, cho phép các biến trạng thái ẩn hơn (xem bài viết thứ hai ở trên để biết nhiều giống).

Cuối cùng, không, DBN không phải lúc nào cũng rời rạc. Ví dụ, các mô hình trạng thái Gaussian tuyến tính (Bộ lọc Kalman) có thể được hình thành dưới dạng HMM có giá trị liên tục, thường được sử dụng để theo dõi các đối tượng trong không gian.