Предсказания на основе байесовских сетей доверия: алгоритм и программная реализация

Авторы

  • Е.Д. Масленников
  • В.Б. Сулимов

Ключевые слова:

байесовская сеть
сеть доверия
распространение свидетельств
экспертная система
дерево объединений
дерево сочленений
вероятностное распределение
распространение вероятности

Аннотация

Рассматривается алгоритм кластеризации, предназначенный для опроса байесовских сетей доверия. Алгоритм использует представление сети в виде древовидного графа — дерева сочленений. Подробно разбираются этапы построения данной структуры и работы с ней. Обсуждаются особенности программной реализации алгоритма. Работа выполнена при частичной поддержке государственного контракта с Федеральным агентством по науке и инновациям N 02.740.11.0300 от 7 июля 2009 г. и РФФИ (код проекта 09-07-12135 офи-м), а также в рамках научно-исследовательской работы МГУ имени М.В. Ломоносова «Постгеномные исследования и технологии» по теме «Информационные и вычислительные технологии в постгеномных исследованиях».

Новые вычислительные технологии

Загрузки

Опубликован

2010-11-22

Выпуск

Том 11 (2010): Выпуск 4.

Раздел

Раздел 2. Программирование

Авторы

Е.Д. Масленников

ООО «Димонта»
ул. Нагорная, 15-8, 117186, Москва
• студент

В.Б. Сулимов

Московский государственный университет имени М.В. Ломоносова,
Научно-исследовательский вычислительный центр
Ленинские горы, 119991, Москва
• заведующий лабораторией

Библиографические ссылки

  1. Mittal A., Kassim A. Bayesian network technologies: application and graphical models. New York: IGI Publishing, 2007.
  2. Pourret O., Na"im P., Marcot B. Bayesian networks: a practical guide to applications. New York: Wiley, 2008.
  3. Sebastiani P., Ramoni M.F., Nolan V., Baldwin C.T., Steinberg M.H. Genetic dissection and prognostic modeling of overt stroke in sickle cell anemia // Nature Genet. 2005. 37, N 4. 435-440.
  4. Jensen F.V., Nielsen T.D. Bayesian networks and decision graphs. New York: Springer, 2007.
  5. Dempster A., Laird N., Rubin D. Maximum likelihood from incomplete data via the EM algorithm // J. of the Royal Statistical Society. 1997. 39, N 1. 1-38.
  6. Bender J., Koller D., Russel R., Kanazava K. Adaptive probabilistic networks with hidden variables // Machine Learning. 1997. 29, N 2-3. 213-244.
  7. Henrion M. Propagating uncertainty in Bayesian networks by logic sampling // Uncertainty in Artificial Intelligence. Vol 2. J. Lemmer and L. Kanal, Eds. Amsterdam: North-Holland, 1988. 149-163.
  8. Fung R., Chang K.-C. Weighting and integrating evidence for stochastic simulation in Bayesian networks // Proc. of the Fifth Conference on Uncertainty in Artificial Intelligence (UAI-89). Amsterdam: North-Holland, 1989. 475-482.
  9. Shachter R., Peot M. Simulation approaches to general probabilistic inference on belief networks // Proc. of the Fifth Workshop on Uncertainty in Artificial Intelligence (UAI-89). Amsterdam: North-Holland, 1989. 311-318.
  10. Pearl J. Probabilistic reasoning in intelligent systems. San Mateo: Kaufmann, 1988.
  11. Korb K., Nicholson A. Bayesian artificial intelligence. London: Chapman &; Hall/CRC, 2004.
  12. Huang C., Darwiche A. Inference in belief networks: a procedural guide // Approximate Reasoning. 1996. 15, N 3. 225-263.
  13. Тулупьев А., Николенко С., Сироткин А. Байесовские сети: логико-вероятностный подход. СПб.: Наука, 2006.