Hybrid Random Fields: A Scalable Approach to Structure and Parameter Learning in Probabilistic Graphical Models

این کتاب ترکیب جدید و هیجان انگیزی از مدل های گرافیکی جهت دار و بدون جهت، گسسته و پیوسته را ارائه می دهد. با ترکیب عناصر شبکه‌های بیزی و میدان‌های تصادفی مارکوف، فیلدهای تصادفی ترکیبی تازه معرفی‌شده یک رویکرد جالب برای به دست آوردن بهترین هر دوی این جهان‌ها، با نوید اضافه‌شده از ماژولار بودن و مقیاس‌پذیری است. نویسندگان کتاب لذت‌بخشی نوشته‌اند ---در برخورد با پس‌زمینه‌های ریاضی سخت‌گیرانه، اما همچنین با دیدگاه‌های تاریخی و فلسفی جالب و بدیع روح‌بخش شده است.
-- Manfred Jaeger، دانشگاه آلبورگ

کتاب نه تنها با پیشرفت‌های تجربی قابل‌توجه، یک جهت مؤثر از تحقیق را نشان می‌دهد، بلکه همچنین --- و شاید در درجه اول --- راهنمای خواننده از طریق یک سفر اصلی در فضای مدل‌سازی احتمالی است. در حین هضم کتاب، شخص با منظره ای بسیار باز از میدان، با ارتباطات پر از محرک غنی می شود. [...] هر کسی که به طور خاص به شبکه های بیزی و زمینه های تصادفی مارکوف علاقه دارد نباید آن را از دست بدهد.
-- Marco Gori, Universitâ degli Studi di Siena

مدل های گرافیکی گاهی اوقات در نظر گرفته می شوند- -به اشتباه---به عنوان یک رویکرد غیر عملی برای یادگیری ماشین، با این فرض که آنها فقط برای برنامه های کاربردی با ابعاد پایین و دامنه های با ارزش گسسته به خوبی کار می کنند. در حالی که خواننده را از طریق دستاوردهای اصلی این حوزه تحقیقاتی به روشی دقیق و در عین حال قابل دسترس راهنمایی می کند، این کتاب به ارائه و بررسی کامل (ریاضی و تجربی) یک الگوی جدید برای مدل سازی گرافیکی احتمالی، میدان تصادفی ترکیبی می پردازد. این مدل شبکه‌های بیزی و میدان‌های تصادفی مارکوف را زیرمجموعه و گسترش می‌دهد. علاوه بر این، با الگوریتم‌های یادگیری کاملاً تعریف‌شده، هم برای دامنه‌های گسسته و هم برای دامنه‌های با ارزش پیوسته، ارائه می‌شود، که با نیازهای برنامه‌های کاربردی دنیای واقعی که شامل داده‌های بزرگ مقیاس و ابعاد بالا هستند، مطابقت دارد.

This book presents an exciting new synthesis of directed and undirected, discrete and continuous graphical models. Combining elements of Bayesian networks and Markov random fields, the newly introduced hybrid random fields are an interesting approach to get the best of both these worlds, with an added promise of modularity and scalability. The authors have written an enjoyable book---rigorous in the treatment of the mathematical background, but also enlivened by interesting and original historical and philosophical perspectives.
-- Manfred Jaeger, Aalborg Universitet

The book not only marks an effective direction of investigation with significant experimental advances, but it is also---and perhaps primarily---a guide for the reader through an original trip in the space of probabilistic modeling. While digesting the book, one is enriched with a very open view of the field, with full of stimulating connections. [...] Everyone specifically interested in Bayesian networks and Markov random fields should not miss it.
-- Marco Gori, Universit� degli Studi di Siena

Graphical models are sometimes regarded---incorrectly---as an impractical approach to machine learning, assuming that they only work well for low-dimensional applications and discrete-valued domains. While guiding the reader through the major achievements of this research area in a technically detailed yet accessible way, the book is concerned with the presentation and thorough (mathematical and experimental) investigation of a novel paradigm for probabilistic graphical modeling, the hybrid random field. This model subsumes and extends both Bayesian networks and Markov random fields. Moreover, it comes with well-defined learning algorithms, both for discrete and continuous-valued domains, which fit the needs of real-world applications involving large-scale, high-dimensional data.