Инструменты повышения эффективности численных алгоритмов обучения структуры динамических байесовских сетей

Модели динамических байесовских сетей используются для описания процессов, протекающих в условиях риска и неопределенности, случайный характер имеют не только вершины графа сети, но связи между вершинами. Для определения наличия причинно-следственных связей и их направленности применяют специальные экспертные и статистические методы обучения структуры и параметров сети. При использовании экспертных методов построения байесовских сетей структуру графа задает эксперт на основании своего опыта в исследуемой области, и тогда, обучаются только параметры сети, соответствующие условно-вероятностным распределениям вершин сети. Не всегда эксперт может правильно определить причинно-следственные связи между вершинами сети и их направленность. Достаточно эффективными являются формализованные процедуры обучения структуры и параметров сети. Формализованные методы обучения структуры сети включают этап определения зависимости между вершинами сети и этап определения направленности связей. На этапе определения направленности исследование носит локальный характер и подразумевает решение целого ряда оптимизационных задач. Как правило, в качестве алгоритмов обучения динамических байесовских сетей применяются численные оптимизационные алгоритмы. В связи с большой размерностью решаемых задач, эффективность процедур обучения динамических байесовских сетей зависит от эффективности используемых численных алгоритмов. Достаточно часто применяются численные алгоритмы, построенные на основе Ньютоновского подхода. В данной статье описано применение различных инструментов повышения эффективности Ньютоновских алгоритмов для решения задач обучения структуры динамических байесовских сетей. Применение методов Бройдена, Девидона-Флетчера-Пауэлла и Бройдена-Флетчера-Гольдфарба-Шанно позволяет существенно повысить эффективность алгоритмов, а также дает возможность использовать распараллеливание отдельных блоков.