【摘要】：例如，在修理汽车时，我们总是假设在整个诊断过程中发生故障的部分一直都是有故障的；我们的任务是根据已经观察到的证据推断汽车的状态，而这个状态也是保持不变的。现在考虑一个略有不同的问题：治疗一个糖尿病人。任务是要对病人的当前状态进行评价，包括真实的血糖水平和胰岛素水平。取决于近期的食物摄入量、胰岛素剂量、新陈代谢活动、每天里的不同时刻等等，血糖水平及其测量值会随着时间发生迅速的变化。
我们已经在静态世界的上下文中发展了用于概率推理的技术，在这里每一个随机变量都有一个惟一的固定取值。例如，在修理汽车时，我们总是假设在整个诊断过程中发生故障的部分一直都是有故障的；我们的任务是根据已经观察到的证据推断汽车的状态，而这个状态也是保持不变的。
现在考虑一个略有不同的问题：治疗一个糖尿病人。和在汽车修理的案例中一样，我们有诸如病人近期的胰岛素服用剂量、食物摄入量、血糖水平，以及其他一些身体上的征兆等证据。任务是要对病人的当前状态进行评价，包括真实的血糖水平和胰岛素水平。给定了这些信息，医生（或者病人）对病人的食物摄入量或者胰岛素服用剂量进行决策。不同于汽车修理的情况，这个问题的动态方面才是本质的。取决于近期的食物摄入量、胰岛素剂量、新陈代谢活动、每天里的不同时刻等等，血糖水平及其测量值会随着时间发生迅速的变化。为了根据历史证据评价当前状态，并且预测治疗方案的结果，我们必须对这些变化建模。
在很多其他的背景中也会出现同样的考虑，从根据已知的一些粗糙和不完全的统计数据对一个国家的经济活动进行追踪，到在已知有噪声与歧义的声学度量下对口语中的单词序列进行理解，范围很宽广。对于这样的动态情景该如何建模？
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
