斯坦福-随机图模型-week3.2_
斯坦福-随机图模型-week3.2
独立马尔科夫网络
分离的概念
分离的概念是这样的,如果我们有这样的定义:
如果再H中没有没有实际的连接线,我们认定Z呗H分离
比如再这个图中,图A和E是被B和C分离的。
factorizes over
如果P再H下被分解,那我可以认为
I-maps 和 完美图
我我们接下来讨论如何来使用一个适合图的结构的的分布。
因子∅:从Val(D)映射到实数域R的一个函数。除非另行说明,只关注非负的因子。
随机变量集合D。
变量集D称为因子的辖域。
∅越大,两个值的兼容性越好。
因子的运算:
马尔科夫网中将联合概率分布和CPD都用因子表示了:令表示那么
完备子图和极大团
团:团是一个两两之间有边的顶点集合。
最大(极大)团:一个团不被其他任何一个团包含则为最大团。
完备子图:最大团集合的子集。
主线概念——吉布斯分布和马尔科夫网
吉布斯分布总结起来就是:分布满足因子运算后归一化。
马尔科夫网是随机变量集的无向图模型,侧重表现变量之间的交互影响。马尔科夫网结构用表示。
马尔科夫网和吉布斯分布的关系:
参数化马尔科夫网的因子通常称为团位势。
马尔科夫网简化
这个定义的含义其实很简单:当U确定为u时,马尔科夫网的辖域简化为Y-U(也就是变量集U在马尔科夫网中可以去除掉),所有U不等于u的因子也可以不考虑了。
二. 独立性
基本独立性
马尔科夫网的基本独立性是可靠和完备的,可靠表现在从正向推导I-map完全成立,从反向推导,当P为正分布(所有变量的概率非0)时成立。
严格的完备性不成立,弱化的完备性成立:
独立性关系
马尔科夫三个性:全局独立性()、成对对立性()、局部独立性()。
其中全局独立性上面已经提过了,而成对独立性和局部独立性如下:
三者的关系:
从分布到图
这其实就是根据局部独立性和成对独立性构造最小I-map。具体如下: