概率图模型-原理与技术 第三章 贝叶斯网表示 学习笔记(二)
2017-01-20 17:07
591 查看
概率图模型-原理与技术 第三章 贝叶斯网表示 学习笔记(二)
概率图模型-原理与技术 总目录http://blog.csdn.net/icefire_tyh/article/details/54026071#t3
3.图中的独立性
3.1 d-分离
有效迹![](http://oisjw74c3.bkt.clouddn.com/PGM_PIC/P2_2_1.png)
对于上图a,b,c,当节点Z已知时候,节点X与Y条件独立。
对于d,当节点Z未知时候,节点X与Y独立。
由此可以定义有效迹:
对于一条迹X⇌Z⇌Y,如果影响[非独立性]可以经过Z从X流向Y,那么称这条迹是有效的。
对于图a,b,c:当Z未知时迹有效
对于图d:当Z或者Z的一个后代已知时迹有效[特别的,对于d中的结构,称为v结构]
d-分离:
假设X,Y,Z是图G上的节点集合,如果给定Z,假设任何节点x∈X与y∈Y之间不存在有效迹,那么称X,Y在给定Z时是d−分离的。
d−分离的可靠性与完备性
如果将d−分离看作是确定独立性的一种方法,那么需要保证该方法的两点性质:
可靠性:给定某个Z时,找到两个节点X,Y是d−分离的,那么可以保证,在给定Z时他们是条件独立的。
完备性:d−分离可以检测出所有的完备性。
完备性在这里存在一些疑问,d−分离是作用在图结构上的,而图所蕴含的独立性I(G)⊆I(P),那么显然d−分离无法描述分布的所有独立性。
然而分布中没有被检测出的独立性是偶然发生的,也就是说,如果所有满足图G独立性[能在G上因子分解]的分布P均匀分布,那么有额外独立性的分布所占比例也趋近于0(测度为0)。
d−分离算法
通过上面的描述知道d−分离可以较为准确的描述能在G上因子分解的分布P的独立性,那么如果确定一个图的d−分离就十分关键了。
[具体算法参考习题3.14]
3.2 I−等价
单纯地从图蕴含的独立性来看,不同的贝叶斯网络实际上是可以等价的,因为他们蕴含了完全相同的独立性断言。比如上图的a,b,c三个结构,都蕴含了独立性假设(X⊥Y|Z),那么如果两幅图G1,G2,如果它们蕴含了相同的独立性断言,则称它们是I−等价的骨架
将图G中所有的有向边改成无向边,那么称这个无向图G’是G的骨架。
定义:具有相同骨架和v结构的两幅图,称他们是I−等价的。然而这样的说法并不完全,因为有些没有相同骨架的图也是I−等价的,比如书上说的完全图,他们都没有蕴含任何独立性假设,所以他们是I−等价的。
非正则结构:对一个v结构x→z←y,如果x,y不存在边,则称之为非正则结构。
更好的定义: 具有相同骨架和非正则结构的两幅图,称他们是I−等价的。
[具体算法参考习题3.16,3.17]
4.从分布到图
本节主要考虑,如果给出一个分布P,能否构建出一个能描述P中独立性的图G?[虽然这一点并不是太现实,由于多维的联合概率分布太过庞大,无论存储计算都是问题]
4.1 最小I−map
最小I−map如果仅仅用分布P的I−map来描述P的独立性,那么可以使用一个完全图,因为它是任何分布的I−map。然而这样的描述没有意义,它没有包含任何独立性。
那么定义最小I−map:如果图G是分布P的I−map,如果再去掉任何一条边,图G不再是分布P的I−map,那么称G是P的最小I−map。
[显然对于一幅图,边越少独立性就越强]
错误的观点:简单看上去最小I−map似乎能描述P的所有独立性,然而这个观点是错误的,它依然只能描述分布P部分独立性。
![](http://oisjw74c3.bkt.clouddn.com/PGM_PIC/P2_2_2.png)
如上图所示,通过不同节点顺序会导出不同的最小I−map,而这些最小I−map描述了不同的独立性。
4.2 P−map
P−map定义:对于分布P,如果图G的独立性集合I(G)=I(P),则称G是P的一个P−map。
P−map描述了分布P完整的独立性集合,那么需要考虑的是:
1:是否每个分布都有P−map[并不成立]
2:分布存在P−map,如何找出它的P−map
发现P−map
从上面I−等价的概念可以看出,同一个分布的P−map也可能会有不同的结构,也就是说同一个分布的P−map可能有多个,但是它们全部是I−等价的。
如何识别一个存在P−map的分布的P−map:
1.识别无向的骨架
根据I−等价的定义,可以先识别出满足分布独立性集合的无向图
2.识别非正规结构
然后识别出非正规结构,为部分无向边赋予方向
3.为剩下的无向边赋予方向
由于要生产有向图,所以要将所有无向边赋予方向,同时要保证不能产生新的非正规结构和圈。
[具体算法参考习题3.19-3.24]
相关文章推荐
- 概率图模型-原理与技术 第三章 贝叶斯网表示 学习笔记(一)
- 概率图模型-原理与技术 第三章 贝叶斯网表示 习题与编程
- 概率图模型-原理与技术 第一章 引言 学习笔记
- 概率图模型-原理与技术 第二章 基础知识 学习笔记
- Unix原理与应用学习笔记----第三章 通用命令介绍2
- 概率图模型(PGM)学习笔记(二)贝叶斯网络-语义学与因子分解
- 学习笔记3:《大型网站技术架构 核心原理与案例分析》之 大型网站架构模式
- 学习笔记7:《大型网站技术架构 核心原理与案例分析》之 永无止境:网站的伸缩性架构
- 《AIX 5L 系统管理技术》学习笔记之第三章启动和关闭AIX操作系统
- 学习笔记4:《大型网站技术架构 核心原理与案例分析》之 大型网站核心架构要素
- 学习笔记6:《大型网站技术架构 核心原理与案例分析》之 万无一失:网站的高可用架构
- 《机器学习导论》第三章 贝叶斯决策定理 学习笔记
- 【《大型网站技术架构-核心原理与案例分析》学习笔记】大型网站架构演化(一)
- 概率图模型(PGM)学习笔记(四)-贝叶斯网络-伯努利贝叶斯-多项式贝叶斯
- 学习笔记5:《大型网站技术架构 核心原理与案例分析》之 瞬时响应:网站的高性能架构
- 华为产品技术学习笔记之路由原理(二)
- 概率图模型(PGM)学习笔记(四)-贝叶斯网络-伯努利贝叶斯-多项式贝叶斯
- 《计算广告学之内容匹配广告&展示广告原理、技术和实践》学习笔记
- ASP.net(1.1)原理学习笔记--第三章 配置Configuration
- 学习笔记8:《大型网站技术架构 核心原理与案例分析》之 固若金汤:网站的安全架构