摘要：
节点类型有两类 1.变量节点(圆圈表示) 2.因子节点(方块表示) - 这个因子基本就是神经网络中的隐变量 变量节点之间没有边 因子节点之间没有边 贝叶斯网络和MRF都可以用因子图来表示 \(f_a 代表的是某个因子,因子的连乘积表达了变量节点的概率分布\) 怎么连看左边下面的P中的元素，每个P对应 阅读全文
摘要：
图像去噪案例 几个概念 联合概率分布 归一化因子/配分函数 - 作用：使得$p(x_1,...,x_n)$这个分布满足概率=1的要求 最后一个公式，也可以通过$\tilde p(x_1,...,x_n) 计算归一化因子$ 势函数 归一化因子怎么求？图中有 这张图里面的边缘概率$p(A,B)$是从上一 阅读全文
摘要：
注意这里的父节点，指的是父节点的集合 核心问题-条件独立性 讲重点-条件独立性 Z表示是观测变量 比如第一条，如果W不是观测变量，那么X会影响Y，打了一个勾，表示具备概率流动性 第三条，对应右边图的右边部分,I,G,S这部分,若W已被观测，G,S没有流动性,若W未被观测，是有流动性，比如不知道他智力 阅读全文
摘要：
重点来了，条件独立性，概率图模型的核心 第二张图形成了圈，是含圈的(不用看是否有向) 阅读全文