Bayes-hálók tanulása neurális hálózatok felhasználásával

OData támogatás
Konzulens:
Gézsi András
Méréstechnika és Információs Rendszerek Tanszék

A nagydimenziójú, gausszi valószínűségi hálózatok tanulása a mesterséges intelligencia kutatások egyik fontos tématerülete. Ezek a hálózatok ugyanis jól használhatók a változók közötti függések és feltételes függetlenségek reprezentálására, mivel hatékonyan kihasználják a problématerület lokális strukturáltságát.

Ezek a hálózatok többek között génregulációs hálózatok rekonstruálására is használhatók, amely napjaink orvosbiológiai kutatásainak egyik kiemelkedően fontos területe. Felhasználásukat az is lehetővé teszi, hogy a nagydimenziójú génexpressziós mérési adatok egyre nagyobb számban válnak elérhetővé publikus adatbázisokban (pl. Gene Expression Omnibus). A gének szabályozása egy összetett folyamat, amelyben a regulátor géneken kívül a környezeti tényezők is nagy szerepet játszanak.

A tisztán gausszi valószínűségi hálózatok paraméterezésének tanulására létezik hatékony algoritmus, ugyanakkor a kevert, diszkrét és folytonos változókat is tartalmazó hálók tanulásának

problémája aktív kutatási terület. Egy lehetséges megoldási módszer, ha gráf csomópontjaiban például neurális hálózatokat használunk a szülőcsomópontok, illetve az egyéb környezeti tényezőket reprezentáló változók együttes hatásának számszerűsítésére.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.