82、时序模型中的推理：从基础到挑战

时序模型中的推理：从基础到挑战

在处理基于模板的模型时，概率推理是一个重要的问题。一种显而易见的方法是基于模板模型可视为基础图形模型的生成器这一观点。给定一个骨架，模板模型定义了由该骨架诱导的一组基础随机变量的分布，然后可以使用喜欢的推理算法来回答关于这个基础网络的查询，这一过程被称为基于知识的模型构建（KBMC）。

然而，应用这种简单的想法并非易事，主要存在以下几个问题：
1. 模型规模大 ：这些模型很容易生成非常大甚至无限的模型。虽然可以通过只生成回答查询所需的网络部分来减少规模，但在许多应用中，生成的网络仍然很大。这就需要考虑推理算法在这种情况下的扩展性，以及为了达到合理性能需要引入的额外近似方法。
2. 网络连接密集 ：基于模板的模型诱导的基础网络通常连接密集，聚合依赖和关系不确定性都会导致这种情况。密集连接给所有精确和大多数近似推理算法带来困难，需要特殊的算法处理。
3. 新型查询表达困难 ：这些模型会产生一些难以用标准概率查询表达的新型查询。例如，确定家族树中每个人都有至少一个患有特定疾病的近亲的概率，这类查询涉及通用和存在量词，转换为基础层面的查询会涉及大量变量。

在时序模型的限制背景下，网络具有统一的结构，相关查询集也更明确，因此在这方面有更多的研究工作。接下来将介绍一些为时序模型推理开发的精确和近似方法。

推理任务

动态贝叶斯网络（DBN）可看作不同时间间隔贝叶斯网络的“生成器”，但认为生成特定贝叶斯网络后就能解决推理任务的观点过于简单，原因如下：
1. 网络规模任意大 <