Досліджено моделі марковського випадкового поля. Визначено основні вдосконалення моделі марковського випадкового поля. Якщо ж розглядати марковські моделі випадкових полів із бінарними умовними розподілами, які охоплюють стохастичну еволюцію в часі, котра грунтується на структурі авторегресії для великомасштабної моделі, то ці моделі зберігають гнучкість статичних моделей марковського випадкового поля для відтворення уявлення просторової залежності в дрібномасштабній складовій моделі. Байєсова оцінка в цьому разі досягається завдяки використанню так званого алгоритму, що вимагає генерації допоміжних випадкових полів, але не потребує використання ідеальних зразків. Марковські випадкові поля є потужним інструментом у машинному навчанні. Моделювання таких полів між різнорідними об'єктами зазвичай призводить до того, що вузли в графі належать до різних типів даних. Щоб моделювати неоднорідні ділянки за допомогою графічних моделей, необхідно призначати для вузлів моделі різні типи розподілів (двійковий, гауссівський, пуассонівський, показників, експоненційний тощо). Розглянуто поняття умовних випадкових полів, встановлено їх особливості, переваги та недоліки. Проаналізовано застосування двійкових даних у марковських моделях випадкових полів, що породжує клас моделей двійкових марковських випадкових полів. Визначено, що дискретний характер марковських випадкових полів допускає більш широкий діапазон можливих значень залежності, тобто негативну залежність. Досліджено модель, функцію втрат та розподіл функції марковського випадкового поля. Запропоновано підсилення марковських випадкових полів. Розглянуто попарно експоненційне марковське випадкове поле.

• Жебка Вікторія Вікторівна (технічні науки)
• Жебка Валентин Володимирович (економічні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"