ПРИМЕНЕНИЕ ТРЕТИЧНОЙ СТРУКТУРЫ АЛГЕБРАИЧЕСКОЙ БАЙЕСОВСКОЙ СЕТИ В ЗАДАЧЕ АПОСТЕРИОРНОГО ВЫВОДА (2023)
В теории алгебраических байесовских сетей существуют алгоритмы, позволяющие проводить глобальный апостериорный вывод с использованием вторичных структур. При этом построение вторичных структур предполагает использование третичной структуры. Следовательно, возникает вопрос об обособленном применении третичной структуры в задаче апостериорного вывода. Этот вопрос рассматривался ранее, но было приведено только общее описание алгоритма, при этом учитывались лишь модели со скалярными оценками вероятности истинности. В данной работе приведен алгоритм, расширяющий вышеупомянутый до возможности его использования в случае интервальных оценок. Помимо этого, важным свойством алгебраической байесовской сети является ацикличность, и корректность работы перечисленных алгоритмов обеспечивается только для ацикличных сетей. Поэтому необходимо также уметь проверять ацикличность алгебраической байесовской сети с применением третичной структуры. Описание этого алгоритма также представлено в работе, в его основе лежит ранее доказанная теорема, которая связывает количество моделей фрагментов знаний в сети с количеством непустых сепараторов и количеством компонент связности сильных сужений в цикличной АБС, а также доказанная в данной статье теорема о принадлежности двух моделей фрагментов знаний к одной компоненте связности сильного сужения. Для всех разработанных алгоритмов доказана корректность работы, а также вычислена их оценка временной сложности.
Идентификаторы и классификаторы
- eLIBRARY ID
- 50396392
Вероятностные графические модели сегодня находят широкое применение в самых разных областях науки, технологий и промышленности [1]. Например, они используются в задачах распознавания и отслеживания людей на видео [2], анализа кредитного риска [3], исследования влияния человеческого фактора на морские аварии [4], оценки вероятности успеха многоходовых социоинженерных атак [5, 6]. Один из важных представителей класса вероятностных графических моделей — алгебраические байесовские сети [7]. В своей простейшей — первичной — структуре они являются набором идеалов конъюнктов со скалярными или интервальными оценками вероятности истинности (набор моделей фрагментов знаний) и применяются в целях описания экспертных систем [7]. Для более широкого практического использования алгебраических байесовских сетей необходимо развить соответствующий теоретический аппарат через решение ряда задач, одной из которых посвящен данный материал.
Список литературы
- Larrañaga P., Moral S. Probabilistic graphical models in artificial intelligence // Applied Soft Computing. 2011. Vol. 11, no. 2. P. 1511-1528. DOI: 10.1016/j.asoc.2008.01.003
- Yang Y., Xu M., Wu W., et al. 3D Multiview Basketball Players Detection and Localization Based on Probabilistic Occupancy // 2018 Digital Image Computing: Techniques and Applications (DICTA). IEEE, 2018. P. 1-8. DOI: 10.1109/DICTA.2018.8615798
- Masmoudi K., Abid L., Masmoudi A. Credit risk modeling using Bayesian network with a latent variable // Expert Systems with Applications. 2019. Vol. 127. P. 157-166. DOI: 10.1016/j.eswa.2019.03.014
- Qiao W., Liu Y., Ma X., Liu Y. Human Factors Analysis for Maritime Accidents Based on a Dynamic Fuzzy Bayesian Network // Risk analysis. 2020. Vol. 40, no. 5. P. 957-980. DOI: 10.1111/risa.13444
- Khlobystova A.O., Abramov M.V., Tulupyev A.L. An Approach to Estimating of Criticality of Social Engineering Attacks Traces // International Conference on Information Technologies, Saratov, February 7-8, 2019. Vol. 199. Springer, 2019. P. 446-456. DOI: 10.1007/9783-030-12072-6_36
- Коепанова А.А., Абрамов М.В., Тулупьева Т.В. Идентификация аккаунтов пользователей в социальных сетях.ВКонтакте. и.Одноклассники. // Семнадцатая Национальная конференция по искусственному интеллекту с международным участием. КИИ-2019: сборник научных трудов, Ульяновск, 21-25 октября, 2019. Т. 2. 2019. C. 153-163. EDN: KDOXSF
- Тулупьев А.Л., Николенко С.И., Сироткин А.В. Байесовские сети: логиковероятностный подход. СПб.: Наука, 2006. 607 с. EDN: QMQAGT
- Тулупьев А.Л. Алгебраические байесовские сети: глобальный логико-вероятностный вывод в деревьях смежности. СПб.: Издательство.Анатолия., 2007. 40 с. Элементы мягких вычислений.
- Фильченков А.А. Алгоритм построения множества минимальных графов смежности при помощи самоуправляемых клик-собственников // Информатика и автоматизация. 2010. № 14. C. 150-169. DOI: 10.15622/sp.14.9 EDN: NCPZTP
-
Фильченков А.А. Алгоритм построения множества минимальных графов смежности при помощи клик-собственников владений // Информатика и автоматизация. 2010. № 15. C. 193-212. DOI: 10.15622/sp.15.10 EDN: NCPZZJ -
Фильченков А.А., Тулупьев А.Л. Третичная структура алгебраическое байесовской сети // Информатика и автоматизация. 2011. № 18. C. 164-187. DOI: 10.15622/sp.18.7 EDN: OKHLNJ -
Фроленков К.В., Фильченков А.А., Тулупьев А.Л. Апостериорный вывод в третичной полиструктуре алгебраической байесовской сети // Информатика и автоматизация. 2012. № 23. C. 343-356. DOI: 10.15622/sp.23.17 EDN: PJREYF -
Kabr S., Papadopoulos Y. Applications of Bayesian networks and Petri nets in safety, reliability, and risk assessments: A review // Safety Science. 2019. Vol. 115. P. 154-175. DOI: 10.1016/j.ssci.2019.02.009 -
Amin M.T., Khan F., Ahmed S., Imtiaz S. A data-driven Bayesian network learning method for process fault diagnosis // Process Safety and Environmental Protection. 2021. Vol. 150. P. 110-122. DOI: 10.1016/j.psep.2021.04.004 -
Baksh A.-A., Abbassi R., Garaniya V., Khan F. Marine transportation risk assessment using Bayesian Network: Application to Arctic waters // Ocean Engineering. 2018. Vol. 159. P. 422-436. DOI: 10.1016/j.oceaneng.2018.04.024 EDN: YHBMYH -
Cai B., Kong X., Liu Y., et al. Application of Bayesian Networks in Reliability Evaluation // IEEE Transactions on Industrial Informatics. 2019. Vol. 15, no. 4. P. 2146-2157. DOI: 10.1109/TII.2018.2858281 EDN: IUATIJ -
Wang Z., Chen C. Fuzzy comprehensive Bayesian network-based safety risk assessment for metro construction projects // Tunnelling and Underground Space Technology. 2017. Vol. 70. P. 330-342. DOI: 10.1016/j.tust.2017.09.012 -
Tavana M., Abtahi A.-R., Caprio D.D., Poortarigh M. An Artificial Neural Network and Bayesian Network model for liquidity risk assessment in banking // Neurocomputing. 2018. Vol. 275. P. 2525-2554. DOI: 10.1016/j.neucom.2017.11.034 -
Chaturvedi I., Ragusa E., Gastaldo P., et al. Bayesian network based extreme learning machine for subjectivity detection // Journal of the Franklin Institute. 2018. Vol. 355, no. 4. P. 1780-1797. DOI: 10.1016/j.jfranklin.2017.06.007 -
Ruz G.A., Henríquez P.A., Mascareño A. Sentiment analysis of Twitter data during critical events through Bayesian networks classifiers // Future Generation Computer Systems. 2020. Vol. 106. P. 92-104. DOI: 10.1016/j.future.2020.01.005 -
Mohammadfam I., Ghasemi F., Kalatpour O., Moghimbeigi A. Constructing a Bayesian network model for improving safety behavior of employees at workplaces // Applied Ergonomics. 2017. Vol. 58. P. 35-47. DOI: 10.1016/j.apergo.2016.05.006 -
Sierra L.A., Yepes V., García-Segura T., Pellicer E. Bayesian network method for decisionmaking about the social sustainability of infrastructure projects // Journal of Cleaner Production. 2018. Vol. 176. P. 521-534. DOI: 10.1016/j.jclepro.2017.12.140 -
McLachlan S., Dube K., Hitman G.A., et al. Bayesian networks in healthcare: Distribution by medical condition // Artificial Intelligence in Medicine. 2020. Vol. 107. P. 101912. DOI: 10.1016/j.artmed.2020.101912 EDN: MAWCUS -
Sperotto A., Molina J.-L., Torresan S., et al. Reviewing Bayesian Networks potentials for climate change impacts assessment and management: A multi-risk perspective // Journal of Environmental Management. 2017. Vol. 202. P. 320-331. 10.1016/j.jenvman. 2017.07.044. DOI: 10.1016/j.jenvman.2017.07.044 EDN: YHLRLD -
Afenyo M., Khan F., Veitch B., Yang M. Arctic shipping accident scenario analysis using Bayesian Network approach // Ocean Engineering. 2017. Vol. 133. P. 224-230. DOI: 10.1016/j.oceaneng.2017.02.002 -
Wu J., Zhou R., Xu S.,Wu Z. Probabilistic analysis of natural gas pipeline network accident based on Bayesian network // Journal of Loss Prevention in the Process Industries. 2017. Vol. 46. P. 126-136. DOI: 10.1016/j.jlp.2017.01.025 -
Тулупьев А.Л. Алгебраические байесовские сети: локальный логико-вероятностный вывод. СПб.: Издательство.Анатолия., 2007. 80 с. -
Тулупьев А.Л. Байесовские сети: логико-вероятностный вывод в циклах. СПб.: Издательство С.-Петербургского университета, 2008. 140 с. Элементы мягких вычислений. -
Фильченков А.А., Фроленков К.В., Сироткин А.В., Тулупьев А.Л. Система алгоритмов синтеза подмножеств минимальных графов смежности // Информатика и автоматизация. 2013. № 27. C. 200-244. DOI: 10.15622/sp.27.17 EDN: QIXKWP -
Фильченков А.А., Тулупьев А.Л. Алгоритм выявления ацикличности первичной структуры алгебраической байесовской сети по ее четвертичной структуре // Информатика и автоматизация. 2011. № 19. C. 128-145. DOI: 10.15622/sp.19.7 EDN: OOIROR -
Фильченков А.А., Тулупьев А.Л. Связность и ацикличность первичной структуры алгебраической байесовской сети // Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия. 2013. № 1. C. 110-119. EDN: PXDIYV -
Фильченков А.А., Тулупьев А.Л. Структурный анализ систем минимальных графов смежности // Информатика и автоматизация. 2009. № 11. C. 104-129. DOI: 10.15622/sp.11.6 EDN: NBMCGP -
Сироткин А.В., Тулупьев А.Л. Моделирование знаний и рассуждений в условиях неопределенности: матрично-векторная формализация локального синтеза согласованных оценок истинности // Информатика и автоматизация. 2011. № 18. C. 108-135. DOI: 10.15622/sp.18.5 EDN: OKHLMP -
Фильченков А.А., Тулупьев А.Л. Алгоритм выявления ацикличности первичной структуры алгебраической байесовской сети на основе оценки числа ребер в минимальном графе смежности // Информатика и автоматизация. 2012. № 22. C. 205-223. DOI: 10.15622/sp.22.11 EDN: PCCYND -
Тулупьев А.Л., Сироткин А.В. Локальный апостериорный вывод в алгебраических байесовских сетях как система матрично-векторных операций // Интегрированные модели и мягкие вычисления в искусственном интеллекте. V-я Международная научнопрактическая конференция, 9-12 сентября, 2009. Сборник научных трудов. В 2-х т. Т. 1. СПб.: Наука, 2012. C. 425-434. -
Aho A., Garey M., Ullman J. The Transitive Reduction of a Directed Graph // SIAM Journal on Computing. 1972. Vol. 1, no. 2. P. 131-137. DOI: 10.1137/0201008 -
Тулупьев А.Л., Сироткин А.В., Николенко С.И. Байесовские сети доверия: логиковероятностный вывод в ациклических направленных графах. СПб.: Изд-во СанктПетербургского ун-та, 2009. 400 с. EDN: QJWCHX -
Веб-приложение по работе с алгебраическими байесовскими сетями. URL: https://abn.dscs.pro/ (дата обращения: 09.03.2023). -
Автоматизированные алгоритмы АБС, использующие третичную структуру, в частности - глобальный апостериорный вывод. URL: https://abn.dscs.pro/parent_separators_graph (дата обращения: 09.03.2023). -
Автоматизированные алгоритмы АБС, работающие с первичной структурой, в частности - проверка ацикличности. URL: https://abn.dscs.pro/primary_structure (дата обращения: 09.03.2023).
Выпуск
Другие статьи выпуска
Исследование и описание свойств алгоритмов крайне важно для их эффективной реализации на различных типах целевых программно-аппаратных платформ. Этой актуальной задаче посвящен проект создания Открытой энциклопедии свойств алгоритмов AlgoWiki, начатый в Московском государственном университете имени М.В. Ломоносова в 2014 году. В рамках проекта была предложена единая универсальная схема описания свойств алгоритмов, в которой особое внимание уделялось свойствам, связанным с параллелизмом. Множество описанных по данной схеме алгоритмов послужило основой описания структуры предметной области в рамках иерархической схемы «Задача-Метод-Алгоритм-Реализация». Однако для дальнейшего развития проекта AlgoWiki потребовалось выделить реализации алгоритмов, ранее включенные в описания свойств алгоритмов, в отдельную сущность. В данной статье изложена схема описания свойств реализаций алгоритмов, также как и модификация изначальной схемы описания свойств самих алгоритмов. Преобразование описаний в энциклопедии AlgoWiki по данной схеме было выполнено для всех страниц проекта, и оно позволяет как более качественно описывать свойства реализаций алгоритмов, так и интегрировать проект энциклопедии AlgoWiki с проектом Algo500, реализующим масштабируемую цифровую платформу для совместного анализа свойств алгоритмов и компьютерных архитектур.
Качественные психофизиологические исследования сопряжены с созданием доступных и хорошо организованных баз данных, требующих большую предварительную работу по разработке измерительных комплексов, включающих не только средства для измерения психофизиологических параметров человека, но и его эмоционального состояния, которое отображается в выражении лица, речи и поведенческих паттернах респондентов. Измерительные комплексы должны также включать и средства обработки экспериментального материала. Суть исследования состояла в проведении эксперимента по созданию прототипа базы речевых данных русскоязычных респондентов, получения ответов на методические вопросы, возникающие у специалистов при использовании базы для задачи распознавания состояния утомления человека. Разработан аппаратно-программный комплекс, позволяющий синхронно регистрировать психофизиологические параметры, видеозаписи поведенческих реакций и аудиозапись речи человека. В качестве модели физического утомления использовался кардиореспираторный тест с физической нагрузкой. До прохождения и после завершении теста добровольцы зачитывали набор стандартных фонетически представительных текстов. Полученные аудиозаписи обрабатывались с помощью специализированной нейронной сети, способной анализировать интегральные спектральные характеристики звука. Результаты эксперимента показали возможность распознавания состояния утомления человека по его речи, что позволяет перейти к созданию большого банка аудиозаписей и совершенствованию алгоритмов распознавания состояния утомления.
В статье описываются современные нейросетевые модели на основе BERT и рассматривается их применение для задач обработки естественного языка (NLP), таких как ответы на вопросы и распознавание именованных сущностей. В статье представлен метод решения задачи автоматического создания структурныхмоделей текстовых документов. Предлагаемый метод является гибридным и основан на совместном использовании нескольких моделей NLP. Метод строит структурную модель документа, извлекая предложения,соответствующие различным аспектам документа. Извлечение информации осуществляется с использованием вопросно-ответной модели BERT с вопросами, подготовленными отдельно для каждого аспекта.Ответы фильтруются с помощью модели распознавания именованных сущностей BERT и используютсядля формирования содержимого каждого поля структурной модели. В статье предложены два алгоритмаформирования содержимого поля - алгоритм выбора исключающего ответа и алгоритм формированияобобщающего ответа, которые используются для коротких и объемных полей соответственно. В статье также описывается программная реализация предлагаемого метода и обсуждаются результаты экспериментов,проведенных для оценки качества метода.
Прогнозирование живого веса помогает контролировать здоровье животных, эффективно проводить генетическую селекцию и определять оптимальное время убоя. На крупных фермах для измерения живого веса используются точные и дорогостоящие промышленные весы. Взвешивание животного из-за стресса ведет к потере его веса и продуктивности на 5-10%. Однако, перспективной альтернативой является оценка живого веса с помощью морфометрических измерений животного, а затем применение уравнений регрессии, связывающих такие измерения с живым весом. Ручные измерения животных с помощью рулетки отнимают много времени и вызывают стресс у животных. Поэтому в настоящее время для бесконтактных морфометрических измерений все чаще используются технологии компьютерного зрения. В статье предлагается новая модель для прогнозирования живого веса на основе регрессии изображений с использованием методов глубокого обучения. Для регрессии изображений использовались RGB изображения и карты глубины вид сбоку для прогнозирования живого веса крупного рогатого скота. Показано, что на реальных наборах данных предложенная модель достигает точности измерения веса с ошибкой MAE 35.5 и MAPE 8.4 на тестовом наборе данных.
Издательство
- Издательство
- ЮУрГУ
- Регион
- Россия, Челябинск
- Почтовый адрес
- 454080, Уральский федеральный округ, Челябинская область, г. Челябинск, просп. В.И. Ленина, д. 76
- Юр. адрес
- 454080, Уральский федеральный округ, Челябинская область, г. Челябинск, просп. В.И. Ленина, д. 76
- ФИО
- Александр Рудольфович Вагнер (Ректор)
- E-mail адрес
- admin@susu.ru
- Контактный телефон
- +7 (351) 2635882
- Сайт
- https://www.susu.ru