Байесовские сети являются мощным инструментом для моделирования многомерных распределений и часто используются в различных областях. Традиционные байесовские сети не могу моделировать нелинейные зависимости и сложные отношения, присутствующие в реальных данных. Предлагается применить композитный подход к структурному обучению байесовских сетей. Применение алгоритмов машинного обучения позволило повысить гибкость и точность байесовских сетей, особенно в части моделирования нелинейных зависимостей. А реализация в рамках фреймворка с открытым исходным кодом BAMT облегчает использование композитных байесовских сетей исследователями, способствуя сотрудничеству и инновациям в более широком научном сообществе.
Шахкян К.А. (науч. рук. Калюжная А.В.) Структурное обучение композитных вероятностных моделей // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2024]. URL: https://kmu.itmo.ru/digests/article/12159