85、混合动态贝叶斯网络（Hybrid DBNs）的推理技术与应用

混合动态贝叶斯网络（Hybrid DBNs）的推理技术与应用

1. 确定性搜索技术

在生成用于搜索可能性空间的粒子时，像粒子滤波这样的随机采样方法并非总是最佳选择。特别是当转移模型是离散且高度偏斜的，即某些后继状态的概率远高于其他状态时，随机采样后继状态很可能会生成许多相同的样本。这会极大地降低样本多样性，浪费计算资源，并导致对可能性空间的表示不佳。

在这种情况下，基于搜索的方法可能是更好的替代方案。其目标是找到一组涵盖高概率赋值的粒子，以便跟踪系统中最可能的轨迹。这些技术常用于语音识别等应用中，在语音识别里，音素之间甚至单词之间的转换通常受到高度限制，大多数转换的概率接近 0。此时，问题常被表述为寻找系统中概率最高的单一轨迹。在隐马尔可夫模型（HMM）的背景下，这种精确求解可以通过运行变量消除算法来实现，该算法在 HMM 中被称为维特比算法。

然而，在许多情况下，用于语音识别的 HMM 可能无法完全装入内存。而且，如果任务是连续语音识别，序列没有自然的结束点。在这些情况下，我们通常会采用更节省内存的近似技术，其中常用的是束搜索（beam search），它的优点是可以在获取数据序列时以在线方式应用。

确定性搜索在时间模型中常与塌缩粒子结合使用，将对部分变量的搜索与对其他变量的边缘化相结合。这种方法为边际最大后验概率（marginal MAP）问题提供了近似解决方案，在语音识别问题中，边际 MAP 问题的目标是在对音素和子音素的可能序列进行边缘化后，找到最可能的单词序列。束搜索等方法也可适用于边际 MAP 问题。

2. 混合动态贝叶斯网络（Hybrid DBNs）

之前我们主要关注离散模型中的推理。但许多（甚至可能是