20、基于网络表示与概率图模型的协同作用及语音特征处理

基于网络表示与概率图模型的协同作用及语音特征处理

1. 概率图模型在优化中的应用基础

在基于概率图模型（PGMs）的优化方法中，如估计分布算法（EDAs），使用PGMs的基本原理是捕捉高质量解决方案的相似特征，以增加获得更好解决方案的可能性，最终找到最优解。例如，在EDAs中，适应度函数可以衡量候选网络的拓扑特征与给定目标网络的接近程度。

另一种基于PGMs的优化方法是循环信念传播的不同应用，但这些方法通常用PGM表示单个网络，而非一组网络。

2. 概率图模型的网络分析

设 $P = (G’, Θ)$ 为一个概率模型，其中 $G’$ 是模型的图形组件，$Θ$ 是定量组件。我们可以假设 $G’$ 是一个网络（如有向图）。为了得到加权网络 $G_w$，可以从 $Θ$ 计算权重矩阵（例如，链接的权重可以是P中相关变量之间的互信息）。一般情况下，我们有一组 $N$ 个加权网络 $G = {G_{w1},…, G_{wN}}$ 与一组PGMs $P = {P_1,…, P_N}$ 相关联。

我们的方法考虑计算 $G$ 中网络的描述符，并使用这些描述符提取关于 $P$ 中模型的信息。局部和全局网络描述符可用于不同目的：
- 局部网络描述符 ：可用于揭示PGM中单个变量或一对相互作用变量的特征。例如，根据局部网络描述符对变量（或相互作用对）进行无监督分类，将网络的节点（或链接）根据一个或多个局部网络描述符进行聚类，处于同一聚类中的节点对应的变量被认为属于同一类。如根据链接的介数中心性值，可将网络链接分为低介数中心性和高介数中心性两组，高介数中心性的链接在基于PGM的信息传输过程中可能发挥更重要的作用。