【新书】贝叶斯网络进展与新应用，附全书下载- 专知

会员服务 ·

【新书】贝叶斯网络进展与新应用，附全书下载

专知出品

导读

贝叶斯网络在经济学、人工智能、交通系统、医疗领域都有举足轻重的应用，许多研究表明，贝叶斯网络是可靠和稳定的因果关系表示。本书的写作者阐明了贝叶斯网络在各个领域的进展和应用。

作者 | Edited by Douglas McNair

编译 | Xiaowen

https://www.intechopen.com/books/bayesian-networks-advances-and-novel-applications

贝叶斯网络(Bayesian networks，BN)最近在众多领域中引发了兴趣，参与了许多不同的应用，包括经济、风险分析、资产和负债管理、人工智能和机器人、交通系统规划和优化、政治学分析、法律和法医科学评估、药理学和药物基因组学、系统生物学和代谢组学、心理学和政策制定和社会方案评价等。这种强烈的响应可以看出，结构和过程的概率贝叶斯模型是可靠的和稳定的因果关系的表示。与传统的频率统计方法相比，BN通过合并新的数据而获得增量或纵向改进的能力提供了额外的优势。本书的参与者阐明了BN这些方面的各种新的进展。

第一章

1. Introductory Chapter: Timeliness of Advantages of Bayesian Networks

By Douglas S. McNair

对于目前的应用来说，BNS的价值包括：

便于合并因果知识，提升可解释的概率；
支持从各种来源（包括专家启发和人群来源）和混合数据类型的信息的一致组合；
可响应于新获取的或输入的数据的批处理或连续更新；
适用于测量和计算模型结构不确定性的过程；
适合于对部分未标记的数据进行建模；
可以估计不可见的变量的值的确定性。

章节全文下载见文末。

第二章

2. An Economic Growth Model Using Hierarchical Bayesian Method

By Nur Iriawan and Septia Devi Prihastuti Yasmirullah

经济增长可以作为对区域经济建设成功的评估。自从2004年《共和国印度尼西亚第32号条例》得到执行以来，印度尼西亚的局势之间的不平衡经济增长正在上升。经济增长状况的不平衡在各区域之间存在差异，目的是扩大各区域的经济活动，以改善社会福利。本章的目的是阐述在印尼各地区的银行信贷分布情况下，经济增长是否存在差异。本研究采用层次结构模型对经济增长数据进行了分析，在第一层次采用了基于正态的模型。将采用两种建模方法，即一般的一级贝叶斯方法和两层结构的层次贝叶斯方法。这些方法的成功证明了两层层次结构贝叶斯比一般一级贝叶斯具有更好的估计能力。结果表明，各省的宏观特征对各相关省份不同的经济增长都有显著的影响。这些变化也受到它们的跨层级相互作用、区域和省级特征的显著影响。

章节全文下载见文末。

第三章

3. Bayesian Networks for Decision-Making and Causal Analysis under Uncertainty in Aviation

By Rosa Maria Arnaldo Valdés, V. Fernando Gómez Comendador, Alvaro Rodriguez Sanz, Eduardo Sanchez Ayra, Javier Alberto Pérez Castán and Luis Perez Sanz

航空领域有关系统和操作的大多数决定目前都是在不确定的情况下作出的，以有限的可衡量的信息进行传递，很少有正式的方法和工具来帮助决策者处理所有这些不确定因素。本章说明贝叶斯分析如何构成处理航空和空中运输不确定性的系统方法。本章阐述了贝叶斯网络目前在航空工业中用于科学或法规决策目的的三种主要方式，三种方式取决于决策者完全或部分依赖正式方法的程度。这三种方案用三个航空案例研究进行说明。

章节全文下载见文末。

第四章

4. Using Bayesian Networks for Risk Assessment in Healthcare System

By Bouchra Zoullouti, Mustapha Amghar and Sbiti Nawal

为了确保病人的安全，医疗服务必须是高质量、安全和有效的。这项工作旨在为医院系统的风险管理提出综合方法。为了病人的安全，我们的方法应该考虑到风险的不同方面和信息类型。第一种方法是针对有关风险事件的数据可用的上下文而设计的，采用贝叶斯网络进行医院定量风险分析。贝叶斯网络提供了一种用于呈现因果关系并在一组变量之间实现概率推理的框架。该方法用于分析手术室内病人的安全风险。第二种方法采用模糊贝叶斯网络对风险进行建模和分析。模糊逻辑允许在缺乏定量数据的情况下使用专家的意见，并且只能做出定性或模糊的陈述。该方法提供了一种可操作的模型，该模型使用语言变量精确地支持人类认知。使用手术室中患者的安全风险的病例研究说明了拟定方法的可用性。

章节全文下载见文末。

第五章

5. Continuous Learning of the Structure of Bayesian Networks: A Mapping Study

By Luiz Antonio Pereira Silva, João Batista Nunes Bezerra, Mirko Barbosa Perkusich, Kyller Costa Gorgônio, Hyggo Oliveira de Almeida and Angelo Perkusich

贝叶斯网络可以基于知识、数据或两者来构建。单独使用构建模型的信息来源，可能发生不准确或应用域可能发生变化。因此，需要在其使用过程中连续地改进模型。随着新数据的收集，不断集成更新知识的算法在此过程中可以发挥重要的作用。关于贝叶斯网络的结构的连续学习，当前的解决方案基于其结构细化或自适应。最近，研究人员的目标是降低复杂性和内存使用量，从而解决复杂和大规模的实际问题。本研究旨在确定和评估对贝叶斯网络结构的持续学习的解决方案，并概述相关的未来研究方向。我们的注意力集中在结构上，因为如果结构不具备代表性，那么精确的参数也将还无用处。

章节全文下载见文末。

第六章

6. Multimodal Bayesian Network for Artificial Perception

By Diego R. Faria, Cristiano Premebida, Luis J. Manso, Eduardo P. Ribeiro and Pedro Núñez

为了使机器一致地感知外部环境，可以使用来自几种不同模态的多个感官信息来源(例如照相机、激光雷达、立体声、RGB-D和雷达)。所有这些不同的信息来源可以有效地合并，形成一个强有力的环境感知。本章重点介绍了构成这种传感器信息融合的一些机制，表明根据信息的类型，可以使用不同的组合和集成策略，而且通常需要先验知识来有效地解释感官信号。感知相关的贝叶斯推理是越来越流行的方法。贝叶斯模型提供了对许多感知现象的洞察，表明它们是处理现实世界不确定性和鲁棒分类的有效方法，包括对时间相关性问题的分类。本章讨论了贝叶斯网络在以下领域的应用：移动机器人、自动驾驶系统、先进的驾驶员辅助系统、用于目标检测的传感器融合以及基于EEG的精神状态分类。

章节全文下载见文末。

第七章

7. Quantitative Structure-Activity Relationship Modeling and Bayesian Networks: Optimality of Naive Bayes Model

By Oleg Kupervasser

Previously, computational drag design was usually based on simplified laws of molecular physics, used for calculation of ligand’s interaction with an active site of a protein-enzyme. However, currently, this interaction is widely estimated using some statistical properties of known ligand-protein complex properties. Such statistical properties are described by quantitative structure-activity relationships (QSAR). Bayesian networks can help us to evaluate stability of a ligand-protein complex using found statistics. Moreover, we are possible to prove optimality of Naive Bayes model that makes these evaluations simple and easy for practical realization. We prove here optimality of Naive Bayes model using as an illustration ligand-protein interaction.

章节全文下载见文末。

第八章

8. Bayesian Graphical Model Application for Monetary Policy and Macroeconomic Performance in Nigeria

By David Oluseun Olayungbo

本研究应用贝叶斯图形网络(BGN)的贝叶斯图形向量自回归(BGVAR)模型，结合有效的马尔可夫链蒙特卡罗(MCMC)M-H抽样算法，对尼日利亚1986q1-2017q4期间的货币政策与宏观经济绩效之间的动态交互作用进行了研究。由于经济结构的影响，过去几年，尼日利亚汇率、通货膨胀率和利率的流动不稳定。通过这种方式，货币管理当局定期运用各种政策手段，在到期时利用储备和货币供应来稳定经济。本研究采用VAR和SVAR结构来考察利益变量之间的动态相互作用，从而更好地理解货币政策动态，适应尼日利亚经济结构动态变化。我们的结果显示，通货膨胀是尼日利亚利率的有力预测因素。

章节全文下载见文末。

全书下载：关注专知公众号（点击上方蓝色专知关注）