有向环、可分解及动态模拟下的概率图模型方法及应用

概率图模型作为模拟和处理不确定信息的方法已经在很多领域得到了广泛应用，但也是在具体的应用中体现了原有方法的局限，需要进行扩展和创新。这包括一些领域需要建立有环的概率依赖关系，如对细胞信号传导通路的推测；需要有能够对应到边上的参数形式，以进行更接近实际的模拟和表示；需要灵活敏锐的动态模型，以用于如传感网络这样的信息收集、处理系统。本课题就相互关联、交叉的三类问题，即有向环的表示和构建，可分解到边上的参数形式与其对模拟的影响，以及可分布模拟的动态图模型，进行理论方法研究，包括模型表示、推理机制，以及用于从数据中构建模型的学习算法。同时将这些方法用于上述的应用领域，以获得解决相关问题的途径。

本课题对概率图模型理论的以下方面进行了发展：表达、解释和推算存在循环影响的概率依赖关系；对程度化对象间的概率依赖关系进行了随有向边的分解与聚合，形成了一套对称可进行因果分析的模型体系；对异步动态模拟进行了改造和发展，使之能够迅速融合实时数据，增强了系统的推理能力和反应速度；在监测系统、传感器网络和信号传导网络上进行了面向实际应用的模型构建和算法设计。其中包括：在非单向关系中对部分依赖图模型的推导，揭示了现实对象被动态和部分依赖关系的存在，并表示在概率模型中，形成了该模型中的推理算法；建立了用于监测系统中不确定推理的混合关联图模型，对非正常事件的推断提供了一个有效的处理框架，准确捕捉了监测对象之间的互影响关系及其与本地证据信息的融合，实现了对敏感状态的迅速反应；扩展了有噪-极大化模型，使之体现了程度化随机变量间的双向对称依赖关系，给出了准确计算该模型联合分布的详细算法步骤，并分析出了高效的边缘概率计算方法；建立了可分布计算的异步动态决策网，将消息传递由状态分布改为决策信息，实现了计算单元自主异步推理，在减少计算和通信量的同时增加了融合实时数据的能力，使之适应于现代传感器系统；以有向环图模型对信号传导网络进行了模拟，在基于评分的学习算法中推断了简单的带环结构。项目总体上符合预期目标，其中尚未解决的部分难点问题将进行进一步的研究。