가변 순서 베이시안 네트워크
Variable-order Bayesian network가변 순서 베이지안 네트워크(VOBN) 모델은 베이시안 네트워크 모델과 가변 순서 마르코프 모델 모두의 중요한 확장을 제공한다.VOBN 모델은 일반적으로 머신러닝에 사용되며 생물정보학 애플리케이션에서 큰 잠재력을 보여 왔다.[1][2]이 모델들은 널리 사용되는 위치 무게 매트릭스(PWM) 모델, 마코프 모델, 베이시안 네트워크(BN) 모델을 확장한다.
각 랜덤 변수가 랜덤 변수의 고정된 부분 집합에 의존하는 BN 모델과 대조적으로 VOBN 모델에서 이러한 부분 집합은 관측된 변수의 특정 실현에 따라 달라질 수 있다.관찰된 실현은 흔히 컨텍스트라고 불리며, 따라서 VOBN 모델은 컨텍스트별 베이지안 네트워크로도 알려져 있다.[3]변수의 조건화 하위 집합 정의의 유연성은 일련의 변수들(꼭 인접한 것은 아님)에서 무작위 변수들 사이의 통계적 의존성이 효율적으로 고려될 수 있고, 위치별 및 상황별 특정한 ma에서 고려될 수 있기 때문에 분류 및 분석 애플리케이션에서 실질적인 이점으로 판명된다.맨손의
참고 항목
참조
- ^ Ben-Gal, I.; Shani A.; Gohr A.; Grau J.; Arviv S.; Shmilovici A.; Posch S.; Grosse I. (2005). "Identification of Transcription Factor Binding Sites with Variable-order Bayesian Networks". Bioinformatics. 21 (11): 2657–2666. doi:10.1093/bioinformatics/bti410. PMID 15797905.
- ^ Grau, J.; Ben-Gal I.; Posch S.; Grosse I. (2006). "VOMBAT: Prediction of Transcription Factor Binding Sites using Variable Order Bayesian Trees" (PDF). Nucleic Acids Research. 34 (Web Server issue): 529–533. doi:10.1093/nar/gkl212. PMC 1538886. PMID 16845064.
- ^ Boutilier, C.; Friedman, N.; Goldszmidt, M.; Koller, D. (1996). Context-specific independence in Bayesian networks. 12th Conference on Uncertainty in Artificial Intelligence (August 1–4, 1996). Reed College, Portland, Oregon, USA. pp. 115–123.
