87、时序模型推理与图形模型学习概述

时序模型推理与图形模型学习概述

1. 时序模型推理研究方向

在时序模型推理中，动态调整近似结构以适应不断变化的环境是一个令人兴奋的研究方向。同时，处理结构随时间变化的系统也是一个相关问题，例如道路上汽车数量动态变化的情况。

这与基于模板的其他类型模型的推理问题自然相关。一种方法是构建完整的基础网络并进行标准推理，但这种方法成本高且可能难以处理。重要的目标是开发利用基于模板模型的结构来减少计算负担的方法。理想情况下，我们可以在模板级别进行整个推理，避免生成基础网络的步骤，这被称为提升推理，类似于一阶逻辑定理证明中的术语。作为一个稍低目标，我们希望开发利用基础网络特性（如由于使用模板而具有重复子结构）的算法。这些方向为当前和未来的研究提供了重要轨迹。

2. 相关文献回顾

• 早期算法
  • 时序模型推理的早期实例也是图形模型中概率推理动态规划的首批应用，如Rabiner和Juang（1986）用于隐马尔可夫模型的前向 - 后向算法，以及卡尔曼滤波算法。
  • Kjærulf（1992，1995a）提出了基于团树公式应用于动态贝叶斯网络（DBN）移动窗口的概率推理算法。
  • Darwiche（2001a）研究了DBN中逐片三角剖分的概念，并提出了一些新的消除策略。
  • Bilmes和Bartels（2003）扩展了这项工作，提供了专门为DBN设计的三角剖分算法，并表明允许推理数据结构跨越超过两个时间片的窗口可能是有益的。
  • Binder、Murphy和Russell（1997）展示了如何通过时间