АЛГЕБРАИЧЕСКИЕ БАЙЕСОВСКИЕ СЕТИ: ИЗОЛИРОВАННОЕ СЛИЯНИЕ ФРАГМЕНТОВ ЗНАНИЙ В УСЛОВИЯХ ДЕФИЦИТА ИНФОРМАЦИИ

Предмет исследования. При машинном обучении вероятностных графических моделей нередки ситуации, в которых одному объекту оказываются сопоставлены две или более модели, обученные на различных, но пересекающихся наборах данных. Предметом данного исследования является операция слияния таких моделей, представленных фрагментами знаний алгебраической байесовской сети. Целью данного исследования является описание и формализация способов слияния алгебраических байесовских сетей, представленных в виде фрагментов знаний. Метод. Построены модели слияния, семантика которых четко эксплицируется предположениями о соотношении вероятностных семантик рассматриваемых фрагментов знаний. Основные результаты. Определены и систематизированы способы слияния фрагментов знаний, при которых не происходит генерации новых элементов сети. Приведено и доказано утверждение о числе атомов в получаемой сети и теорема о сложности поддержания ее интернальной непротиворечивости. Продемонстрирован пример слияния двух сетей на выборке с шумом. При этом для проведения компаративного анализа теоретическое распределение выборки задано, а сама выборка генерируется методом Монте-Карло. Практическая значимость. Предложенные в исследовании способы слияния алгебраических байесовских сетей могут найти применение при работе с двумя или более обученными сетями, описывающими различные свойства одного объекта. Использование данных способов позволит построить, агрегирующую все данные об исследуемом объекте, оказавшиеся доступными, в комплексную сеть и проводить в ней операции логико-вероятностного вывода.

1. Ackland G.J., Chattoe-Brown E., Hamill H., Hampshire K.R., Mariwah S., Mshana G. The role of trust in a self-organising pharmaceutical supply chain model with variable drug quality and imperfect information // Journal of Artificial Societies and Social Simulation. 2019. V. 22. N 2. doi: 10.18564/jasss.3984
2. Asher N., Paul S. Strategic conversations under imperfect information: epistemic message exchange games // Journal of Logic, Language and Information. 2018. V. 27. N 4. P. 343–385. doi: 10.1007/s10849-018-9271-9
3. Zolotin A.A., Tulupyev A.L. Sensitivity statistical estimates for local a posteriori inference matrix-vector equations in algebraic Bayesian networks over quantum propositions // Vestnik St. Petersburg University-Mathematics. 2018. V. 51. N 1. P. 42–48. doi: 10.3103/S1063454118010168
4. Kharitonov N.A., Tulupyev A.L., Zolotin A.A. Software implementation of reconciliation algorithms in algebraic Bayesian networks // Proc. 20^th Int. Conf. on Soft Computing and Measurements, SCM 2017. St. Petersburg, Russia, 2017. P. 8–10.
5. Kou F.F., Du J.P., Yang C.X., Shi Y.S., Liang M.Y., Xue Z., Li H.S. A multi-feature probabilistic graphical model for social network semantic search // Neurocomputing. 2019. V. 336. P. 67–78. doi: 10.1016/j.neucom.2018.03.086
6. Ramazzotti D., Nobile M.S., Antoniotti M., Graudenzi A. Efficient computational strategies to learn the structure of probabilistic graphical models of cumulative phenomena // Journal of Computational Science. 2019. V. 30. P. 1–10. doi: 10.1016/j.jocs.2018.10.009
7. Tai W.P., Teng Q.Y., Zhou Y.M., Zhou J.P., Wang Z. Chaos synchronization of stochastic reaction-diffusion time-delay neural networks via non-fragile output-feedback control // Applied Mathematics and Computation. 2019. V. 354. P. 115–127. doi: 10.1016/j.amc.2019.02.028
8. Dey M., Rana S.P., Siarry P. A robust FLIR target detection employing an auto-convergent pulse coupled neural network // Remote Sensing Letters. 2019. V. 10. N 7. P. 639–648. doi: 10.1080/2150704X.2019.1597296
9. Li J.J., Song G.B., Semakula H.M., Zhang S.S. Climatic burden of eating at home against away-from-home: A novel Bayesian Belief Network model for the mechanism of eating-out in urban China // Science of the Total Environment. 2019. V. 650. P. 224–232. doi: 10.1016/j.scitotenv.2018.09.015
10. Li X.D., Tang W.Y. Structural risk analysis model of damaged membrane LNG carriers after grounding based on Bayesian belief networks // Ocean Engineering. 2019. V. 171. P. 332–344. doi: 10.1016/j.oceaneng.2018.10.047
11. Prishchepov A.V., Ponkina E., Sun Z.L., Muller D. Revealing the determinants of wheat yields in the Siberian breadbasket of Russia with Bayesian networks // Land Use Policy. V. 80. P. 21–31. doi: 10.1016/j.landusepol.2018.09.038
12. Don M.G., Khan F. Dynamic process fault detection and diagnosis based on a combined approach of hidden Markov and Bayesian network model // Chemical Engineering Science. 2019. V. 201. P. 82–96. doi: 10.1016/j.ces.2019.01.060
13. Baggenstoss P.M. On the duality between belief networks and feed-forward neural networks // IEEE Transactions on Neural Networks and Learning Systems. 2019. V. 30. N 1. P. 190–200. doi: 10.1109/TNNLS.2018.2836662
14. Marcot B.G., Penman T.D. Advances in Bayesian network modelling: Integration of modelling technologies // Environmental Modelling and Software. 2019. V. 111. P. 386–393. doi: 10.1016/j.envsoft.2018.09.016
15. Тулупьев А.Л., Николенко С.И., Сироткин А.В. Байесовские сети: логико-вероятностный подход. СПб: Наука, 2006. 607 с.
16. Тулупьев А.Л., Сироткин А.В., Николенко С.И. Байесовские сети доверия: логико-вероятностный вывод в ациклических направленных графах. СПб: СПбГУ, 2009. 400 с.
17. Тулупьев А.Л., Николенко С.И., Сироткин А.В. Основы теории байесовских сетей: учебник. СПб: СПбГУ, 2019. 399 с.
18. Харитонов Н.А. Поддержание интернальной непротиворечивости алгебраических байесовских сетей с линейной и звездчатой структурой // Научно-технический вестник информационных технологий, механики и оптики. 2018. Т. 18. № 6. С. 1108–1117. doi: 10.17586/2226-1494-2018-18-6-1108-1117
19. Тулупьев А.Л. Алгебраические байесовские сети: логико-вероятностная графическая модель баз фрагментов знаний с неопределенностью: дис. д-р.физ.-мат. наук. СПб.: СПбГУ,2009. 670 с.
20. Tulupyev A., Kharitonov N., Zolotin A. Algebraic Bayesian networks: Consistent fusion of partially intersected knowledge systems // CEUR Workshop Proceedings.2018.V. 2258.P. 109–115.
21. Levenets D.G., Zotov M.A., Romanov A.V., Tulupyev A.L., Zolotin A.A., Filchenkov A.A. Decremental and incremental reshaping of algebraic Bayesian networks global structures // Proc. 1^st Int. Scientific Conference on Intelligent Information Technologies for Industry (IITI’16). Sochi, Russia, 2016. P. 57–67. doi: 10.1007/978-3-319-33816-3_6
22. Malinowski G. Kleene logic and inference // Bulletin of the Section of Logic. 2014. V. 43. N 1/2. P. 43–52.
23. Абрамов М.В. Автоматизация анализа социальных сетей для оценивания защищённости от социоинженерных атак // Автоматизация процессов управления. 2018. №1(51). С. 34–40.
24. Багрецов Г.И., Шиндарев Н.А., Абрамов М.В., Тулупьева Т.В. Подходы к автоматизации сбора, структурирования и анализа информации о сотрудниках компании на основе данных социальной сети // Труды VII всероссийской научно-практической конференции «Нечеткие системы, мягкие вычисления и интеллектуальные технологии» НСМВИТ–2017. Санкт-Петербург, 2017. Т. 1. С. 9–16.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License