کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6928608 1449341 2018 23 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Parallel probabilistic graphical model approach for nonparametric Bayesian inference
ترجمه فارسی عنوان
رویکرد مدل موازی احتمالاتی برای استنتاج بی پارسی غیر قابل تجزیه
کلمات کلیدی
ترجمه چکیده
ما یک چارچوب کمینه سازی عدم قطعیت کارآمد را پیشنهاد می کنیم که از چندین مدل گرافیکی احتمالی برای تولید یک توصیف مخلوط گاوسی غیر پارامتری از توزیع احتمال هدف استفاده می کند. این روش در واقع عمومی است، اما این کار بر کاربرد آن در کلاس خاصی از مشکلات استنتاج ناشی از فرایند پنهان مارکوف و مشاهدات مرتبط در یک دنباله تمرکز دارد. روش پیاده سازی با مدل های دینامیکی سیستم در ابعاد کم و زیاد نشان داده شده است. در مورد ابعاد کم، نشان داده شده است که گراف عامل معمول برای داده های متوالی می تواند برای تولید یک راه حل دقیق دقیق استفاده شود. با این حال، برای سیستم های با ابعاد بزرگ، یک خانواده جدید از نمودارهای عامل به منظور دستیابی به کاهش ابعاد مؤثر و تسهیل یک برنامه سینرژیک همراه با چندین نمودار در رسیدگی به ادغام داده های بیزی است. در نتیجه یک پارادایم جدید برای فیلترینگ و صاف کردن احتمالاتی ظاهر می شود و کاربرد رویکرد مدل گرافیکی گسترش یافته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
رویکرد مدل موازی احتمالاتی برای استنتاج بی پارسی غیر قابل تجزیه
چکیده انگلیسی
We propose an efficient uncertainty quantification framework that makes use of multiple probabilistic graphical models to yield a nonparametric Gaussian mixture description of the target probability distribution. The methodology is indeed generic, but this work focuses on its application to the particular class of the inference problems arising from the hidden Markov process and the associated observations in a sequence. The implementation procedure is demonstrated with the dynamical system models in both low and high dimension. In case of the low dimension, it is shown that the usual factor graph for the sequential data can be used to produce a very accurate approximate solution. However, for high dimensional systems, a new family of the factor graphs are developed in order to achieve an effective dimension reduction and to facilitate a synergetic application together with multiple graphs in addressing the Bayesian data assimilation. As a result, a new paradigm for the probabilistic filtering and smoothing emerges, and the applicability of the graphical model approach has been broadened.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Computational Physics - Volume 372, 1 November 2018, Pages 546-563
نویسندگان
, ,