Professional Documents
Culture Documents
Rouahi Aouatef
rouahi.aouatef@hotmail.fr
2010 - 2011 1
RBD-INFÉRENCE
2
RBD-INFÉRENCE-OBJECTIF
3
RBD-INFÉRENCE-FILTRAGE
4
RBD-INFÉRENCE-PRÉDICTION
5
RBD-INFÉRENCE-LISSAGE
6
RBD-INFÉRENCE-EXPLICATION
7
RBD-INFÉRENCE
Inférence
ONLINE
EXACTE OFFLINE
APPROCHEE
8
RBD-INFÉRENCE EXACTE
L’algorithme Forwards-Backwards
(Baum et al. 1970)
Lissage hors ligne pour un HMM;
9
RBD-INFÉRENCE-FB(1)
Passage Avant:
Algorithme Forwards_Pass ()
Input: HMM, Séquence d’observations
Output: Probabilités Forwards αt (i)
Début
For i=1 to N do // Cas de base
Calculer α1 (i) = P (X1=i|y1)
End
For t’=2 to t do
For i=1 to N do
Calculer αt’ (i) = P (Xt’=i|y1:t’)
End
End
Return all αt (i)
End
10
RBD-INFÉRENCE-FB(2)
Passage Arrière:
Algorithme Backwards_Pass ()
Input: HMM, Séquence d’observations
Output: Probabilités Backwards βt (i)
Début
For i=1 to N do // Cas de base
βT (i) = 1
End
For t’=T-1 down to t+1 do
For i=1 to N do
Calculer βt’ (i) = P (yt’:T|Xt’-1=i)
End
End
Return all βt (i)
End
11
RBD-INFÉRENCE-FB(3)
Complexité en O(TQ2N);
Facile à implémenter;
Variables discrètes.
12
RBD-INFÉRENCE EXACTE
L’algorithme Frontier
(Zweig 1996)
L F R
13
RBD-INFÉRENCE-FRONTIER(1)
14
RBD-INFÉRENCE-FRONTIER(2)
Passage Avant:
Ajouter un nœud N de R à F si tous ses parents sont
dans la F :
Marginalisation du N
L := L U{N} ; F := F \ {N} :
P (F) = P (hF-N, eF-N ,eL+N)?
15
RBD-INFÉRENCE-FRONTIER(3)
Passage Arrière:
Ajouter un nœud N de L à F :
16
RBD-INFÉRENCE-FRONTIER-EXEMPLE
17
RBD-INFÉRENCE-FRONTIER(4)
Complexité en O(TNQN+2);
18
RBD-INFÉRENCE EXACTE
L’algorithme Unrolled Junction Tree
19
RBD-INFÉRENCE-UJT-PRINCIPE
Jt :( It , It+1 , Nt )
Si t=T alors Jt = ( It , Nt )
20
RBD-INFÉRENCE-UJT-EXEMPLE(1) T=3
21
D1 C1 D2 C2 D3|C3
I1 I2 I2 I2 I3 I3 I3
N1 N2 N3
J1 J2 J3
22
RBD-INFÉRENCE-UJT
23
RBD-INFÉRENCE EXACTE
24
RBD-INFÉRENCE APPROCHÉE
Les algorithmes déterministes
RBD discrets:
Boyen-Koller (Boyen et Koller 1998);
Factored Frontier (Murphy et Weiss 2001);
Loopy Belief Propagation : une généralisation de
BK et FF;
RBD linéaire gaussien :
Generalized Pseudo Bayesian;
Interacting Multiple Models;
RBD mixte :
Viterbi Approximation;
Expectation Propagation;
Variational Methods;
RBD non linéaire / non gaussien
Extended Kalman Filter
25
RBD-INFÉRENCE APPROCHÉE
Les algorithmes stochastiques
Méthodes Offline :
Monte Carlo Markov Chain;
Méthodes Online :
Particle Filtering;
Sequential Monte Carlo;
Bootstrap Filter ;
… 26
RBD-INFÉRENCE APPROCHÉE
Comparatif
Stochastique Déterministe
27
RBD-INFÉRENCE
RaoBlackWellised Particle
Filtering(Murphy, 2002)
28
RBD-MANIPULATION BNT
X1 X2
Y1 Y2
29
RBD-Construction BNT
intra = zeros(2);% nbre de nœuds par tranche de temps "time-slice"
intra(1,2) = 1; % le nœud 1 est relié au nœud 2 dans chaque tranche t la structure est invariante au cours du temps
inter = zeros(2);% le nbre de nœuds liés pour 2 tranches consécutives t-1 et t
inter(1,1) = 1; % le nœud 1 dans la tranche t-1 est relié au nœud 1 dans la tranche t
%spécifications des paramètres (pour simplifier nous supposons que les nœuds observés sont discrets.)
H = 2; % la cardinalité des états cachés
O = 2; % la cardinalité des états observés(évidences)
bnet = mk_dbn(intra, inter, ns, 'discrete', dnodes, 'eclass1', eclass1, 'eclass2', eclass2);
names = {'X1','Y1','X2','Y2'};
carre_rond = [1 1 1 1];
draw_graph(bnet.dag,names,carre_rond);
title('Reseau Bayesien Dynamique');
RBD-Inférence BNT
David Bellot. Fusion des données avec des réseaux baysiens pour la
modélisation des systèmes dynamiques et son application en
télémédecine. 2002;