نقترح نهج بايزي مرن لنمذجة الرسوم البيانية Gaussian النادرة للسلاسل الزمنية متعددة المتغيرات. نأخذ في الاعتبار الترابط الزمني في البيانات من خلال افتراض أن الملاحظات تتميز بعملية تحويل تلقائي خفية منفصلة وغير ملاحظة. نفترض توزيعات انبعاث Gaussian متعددة المتغيرات ونلتقط الاعتماد المكاني من خلال نمذجة مصفوفات الدقة الخاصة بالحالة عبر تضييقات قوس رسومي. نصف احتمالات الخلط للعملية الخفية من خلال تضييق انكماش تراكمي يستوعب المعلمات المشبعة بالصفر للمكونات غير النشطة، ونقوم أيضًا بإدخال تضييق ديريشلي يحث على الندرة لتقدير العدد الفعلي للحالات من البيانات. من أجل الاستدلال البعدي، طورنا إجراء أخذ عينات يسمح بتقدير عدد التأخيرات التلقائية المنفصلة وعدد الحالات، ويتجنب بذكاء الحاجة للتعامل مع تغير أبعاد فضاء المعلمات. نقوم بدراسة أداء منهجيتنا المقترحة بدقة من خلال العديد من دراسات المحاكاة. كما نوضح استخدام نهجنا لتقدير الترابط الديناميكي للدماغ بناءً على بيانات fMRI المجمعة على موضوع يقوم بتجربة قائمة على المهمة حول التعلم الكامن.
دراسة هادج-عمار وآخرون (الثلاثاء) هذا السؤال.