Mối quan hệ giữa các mô hình phân cấp, mạng thần kinh, mô hình đồ họa, mạng bayes là gì?

34

Tất cả chúng dường như đại diện cho các biến ngẫu nhiên bởi các nút và sự phụ thuộc (trong) thông qua các cạnh (có thể được định hướng). Tôi đặc biệt quan tâm đến quan điểm của người Bayes.

— cespinoza
nguồn

30

Mạng Bayes là một loại mô hình đồ họa. Loại mô hình đồ họa "lớn" khác là Trường ngẫu nhiên Markov (MRF). Các mô hình đồ họa được sử dụng để suy luận, ước lượng và nói chung, để mô hình hóa thế giới.

Thuật ngữ mô hình phân cấp được sử dụng để có nghĩa là nhiều thứ trong các lĩnh vực khác nhau.

Mặc dù các mạng thần kinh đi kèm với "biểu đồ", nhưng nhìn chung chúng không mã hóa thông tin phụ thuộc và các nút không biểu thị các biến ngẫu nhiên. NN khác nhau vì chúng là phân biệt đối xử. Mạng lưới thần kinh phổ biến được sử dụng để phân loại và hồi quy.

Kevin Murphy có một giới thiệu tuyệt vời về những chủ đề có sẵn ở đây .

— carlosdc
nguồn

liên kết tốt đẹp. thx

— suncoolsu

1

Cảm ơn câu trả lời. Tuy nhiên, giống như người hỏi ban đầu, tôi cũng tự hỏi mô hình hồi quy đa cấp / phân cấp phù hợp với hình ảnh này ở đâu. (Phân cấp được xác định ở đây: en.wikipedia.org/wiki/HVELical_linear_modeling )

— Yang

nhưng cũng có những mô hình mạng lưới thần kinh thế hệ. RNN, GAN, v.v.

— Alexander Reshytko

9

Như @carlosdc đã nói, mạng bayes là một loại Mô hình đồ họa (nghĩa là đồ thị chu kỳ có hướng (DAG) có cấu trúc xác định một tập các thuộc tính độc lập có điều kiện). Mô hình Bayes phân cấp cũng có thể được biểu diễn dưới dạng DAG; Phân loại Naive Bayes phân cấp cho dữ liệu không chắc chắn , bởi Bellazzi và cộng sự, cung cấp một giới thiệu tốt về phân loại với các mô hình như vậy. Về các mô hình phân cấp, tôi nghĩ rằng nhiều bài viết có thể được truy xuất bằng cách googling với các từ khóa thích hợp; ví dụ, tôi tìm thấy cái này:

CH Jackson, NG Best và S. Richardson. Các mô hình đồ họa Bayes cho hồi quy trên nhiều tập dữ liệu với các biến khác nhau . Thống kê sinh học (2008) 10 (2): 335-351.

Michael I. Jordan có một hướng dẫn tuyệt vời về Mô hình đồ họa , với các ứng dụng khác nhau dựa trên mô hình Hidden Markov giai thừa trong tin sinh học hoặc xử lý ngôn ngữ tự nhiên. Cuốn sách của ông, Học về mô hình đồ họa (MIT Press, 1998), cũng đáng đọc (có một ứng dụng của GM để mô hình hóa cấu trúc với mã BUGS , trang 575-598)

— chl
nguồn

0

Mạng nơ-ron không yêu cầu linh mục, nhưng mỗi nút ẩn (nơ-ron) của mạng nơ-ron có thể được coi là CPD - Tiếng ồn OR / AND CPD cho nút tuyến tính - CPD Sigmoid cho nút logistic

Vì vậy, các mạng thần kinh có thể được xem như nhiều lớp nút ẩn, mỗi lớp có CPD tuyến tính / sigmoidal

Lớp học của Koller về Coursera HOẶC sách giáo khoa của cô ấy nên là một tài liệu tham khảo tốt cho các loại CPD.

— Raghu
nguồn

CPD có nghĩa là gì?

— viết