формат Adobe PDF, размер 2173 Кб - Информационно ...

ISBN 5–7262–0471–9ЛЕКЦИИ ПО НЕЙРОИНФОРМАТИКЕных матриц для выбранной архитектуры. При обучении мы также будемопираться на последовательную байесову логику, в которой значения параметровтакже считаются случайными, а вместо поиска универсальногоединственного значения для каждого параметра оценивается его распределение.При этом, априорные предположения об этом распределении уточняютсяпри использовании экспериментальных данных.Проблема автоматического выбора архитектуры связей сети заметносложнее задачи оценивания параметров. Дополнительные сложности возникаютпри использовании для обучения экспериментальных данных, содержащихпропуски. В самом сложном варианте должны вероятностномоделироваться и изменения архитектуры, и параметры условных вероятностей,и значения пропущенных элементов в таблицах наблюдений 13 .Синтез сети на основе априорной информацииКак уже отмечалось, вероятности значений переменных могут быть какфизическими (основанными на данных), так и байесовыми (субъективными,основанными на индивидуальном опыте). В минимальном вариантеполезная байесова сеть может быть построена с использованием толькоаприорной информации (экспертных ожиданий).Для синтеза сети необходимо выполнить следующие действия:• сформулировать проблему в терминах вероятностей значений целевыхпеременных;• выбрать понятийное пространство задачи, определить переменные,имеющие отношение к целевым переменным, описать возможныезначения этих переменных;• выбрать на основе опыта и имеющейся информации априорные вероятностизначений переменных;• описать отношения «причина-следствие» (как косвенные, так и прямые)в виде ориентированных ребер графа, разместив в узлах переменныезадачи;• для каждого узла графа, имеющего входные ребра указать оценкивероятностей различных значений переменной этого узла в зависимостиот комбинации значений переменных-предков на графе.13 Эта задача, очевидно, является некорректно поставленной, как и всякая задача обучения.Описанный уровень сложности отражает необходимость глубокой регуляризациидля согласования распределений такого большого числа ненаблюдаемых переменных.168 УДК 004.032.26 (06) Нейронные сети