Глоссарий ИИ
Полный словарь искусственного интеллекта
Динамические байесовские сети
Временное расширение статических байесовских сетей, моделирующее эволюцию случайных переменных и их условные зависимости во времени посредством марковских переходов.
Скрытые марковские цепи
Статистические модели, в которых наблюдаемая система зависит от ненаблюдаемых скрытых состояний, следующих по цепи Маркова, используемые для распознавания временных последовательностей.
Факториальные скрытые марковские модели
Расширение СММ, в котором несколько скрытых марковских цепей взаимодействуют для генерации наблюдений, позволяя моделировать сложные зависимости между латентными факторами.
Частичный фильтр
Последовательный метод Монте-Карло для оценки состояния в нелинейных и негауссовых системах, использующий набор взвешенных частиц для аппроксимации апостериорного распределения.
Динамические модели тем
Расширение моделей тем, которое фиксирует временную эволюцию тем в текстовых корпусах, моделируя, как распределения слов меняются с течением времени.
Гибридные динамические системы
Модели, сочетающие дискретные и непрерывные переменные во временном фреймворке, захватывающие взаимодействия между дискретными состояниями и непрерывными эволюциями в сложных системах.
Модели пространства состояний
Общий фреймворк для моделирования временных рядов с ненаблюдаемыми латентными состояниями, эволюционирующими согласно уравнению состояния и генерирующими наблюдения через уравнение наблюдения.
Прямая/Обратная инфереция
Алгоритмы вычисления распределений веры в динамических графических моделях, комбинирующие прямое распространение (фильтрация) и обратное (сглаживание) для оптимальной оценки состояний.
Модели смены режимов
Модели, в которых параметры системы могут резко или постепенно изменяться между различными поведенческими режимами, фиксируя структурные переходы в данных.
Процессы обнаружения изменений
Статистические алгоритмы для идентификации временных точек, в которых статистические свойства сигнала или системы значительно изменяются, необходимые для мониторинга в реальном времени.
Иерархические временные графические модели
Многоуровневые структуры, фиксирующие временные зависимости на различных уровнях абстракции, позволяющие эффективно моделировать сложные явления с вложенной динамикой.
Байесовские фильтры
Общая теоретическая основа для рекурсивной оценки состояния динамической системы с использованием теоремы Байеса, включающая фильтр Калмана и частичные фильтры как частные случаи.
Модели временных переходов
Компоненты динамических графических моделей, указывающие, как вероятностные распределения переменных развиваются между последовательными временными шагами, определяя динамику системы.
Временные сети влияния
Вероятностные модели, фиксирующие, как причинные влияния между переменными распространяются и изменяются с течением времени, важные для анализа динамических причинных систем.
Нестационарные графические модели
Расширения динамических графических моделей, в которых параметры и/или структура графа могут изменяться во времени, адаптируя модель к неоднородным эволюциям.
Обучение динамической структуры
Процесс автоматического вывода оптимальной структуры динамической графической модели из временных данных, включая обнаружение зависимостей и временных задержек.
Сглаживание Витерби
Алгоритм для поиска наиболее вероятной последовательности скрытых состояний при всех наблюдениях, обобщающий алгоритм Витерби для офлайн-вывода в динамических моделях.
Скрытые марковские модели с входами
Расширение СММ, где переходы между состояниями зависят от наблюдаемых внешних входных переменных, позволяющее условное моделирование временных последовательностей.