概率图模型的d-separation概念
文章目录
- d-separation
- 公式推导
- 链式法则
- Serial connection (head-to-tail)
- 不观测XkX_kXk
- 观测XkX_kXk
- Diverging connection (tail-to-tail)
- 不观测XkX_kXk
- 观测XkX_kXk
- Converging connection
- 不观测XkX_kXk
- 观测XkX_kXk
- 定义
- 参考
d-separation
三种类型:
- Serial connection (head-to-tail)
- Diverging connection (tail-to-tail)
- Converging connection
公式推导
链式法则
P(X1,X2,...,Xn)=P(X1∣X2,...,Xn)P(X2∣X3,...,Xn)...P(Xn−1∣Xn)P(Xn)P(X_1,X_2,...,X_n)=P(X_1|X_2,...,X_n)P(X_2|X_3,...,X_n)...P(X_{n-1}|X_n)P(X_n)P(X1,X2,...,Xn)=P(X1∣X2,...,Xn)P(X2∣X3,...,Xn)...P(Xn−1∣Xn)P(Xn)
贝叶斯网络定义:
P(X1,X2,...,Xn)=∏i=1nP(Xi∣PA(Xi))P(X_1,X_2,...,X_n)=\prod^n_{i=1}P(X_i|PA(X_i))P(X1,X2,...,Xn)=i=1∏nP(Xi∣PA(Xi))
Serial connection (head-to-tail)
不观测XkX_kXk
P(Xi,Xj)=∑xkP(Xi,Xj,Xk)=P(Xi)P(Xj∣Xi)P(X_i,X_j)=\sum_{x_k}P(X_i,X_j,X_k)=P(X_i)P(X_j|X_i)P(Xi,Xj)=xk∑P(Xi,Xj,Xk)=P(Xi)P(Xj∣Xi)
结果:X与Y并不是独立事件
观测XkX_kXk
P(Xi,Xk,Xj)=P(Xi)P(Xk∣Xi)P(Xj∣Xk)P(X_i,X_k,X_j)=P(X_i)P(X_k|X_i)P(X_j|X_k)P(Xi,Xk,Xj)=P(Xi)P(Xk∣Xi)P(Xj∣Xk)
P(Xi,Xj∣Xk)=P(Xi,Xk,Xj)P(Xk)=P(Xi)P(Xk∣Xi)P(Xj∣Xk)P(Xk)=P(Xi,Xj)P(Xj∣Xk)P(Xk)=P(Xi∣Xk)P(Xj∣Xk)P(X_i,X_j|X_k)=\frac{P(X_i,X_k,X_j)}{P(X_k)} =\frac{P(X_i)P(X_k|X_i)P(X_j|X_k)}{P(X_k)}=\frac{P(X_i,X_j)P(X_j|X_k)}{P(X_k)}=P(X_i|X_k)P(X_j|X_k)P(Xi,Xj∣Xk)=P(Xk)P(Xi,Xk,Xj)=P(Xk)P(Xi)P(Xk∣Xi)P(Xj∣Xk)=P(Xk)P(Xi,Xj)P(Xj∣Xk)=P(Xi∣Xk)P(Xj∣Xk)
结果: Xi,XjX_i,X_jXi,Xj关于XkX_kXk条件独立
Diverging connection (tail-to-tail)
不观测XkX_kXk
P(Xi,Xj)=∑xkP(Xi,Xj,Xk)=∑xkP(Xk)P(Xj∣Xk)P(Xi∣Xk)P(X_i,X_j)=\sum_{x_k}P(X_i,X_j,X_k)=\sum_{x_k}P(X_k)P(X_j|X_k)P(X_i|X_k)P(Xi,Xj)=xk∑P(Xi,Xj,Xk)=xk∑P(Xk)P(Xj∣Xk)P(Xi∣Xk)
结果:X与Y并不是独立事件
观测XkX_kXk
P(Xi,Xk,Xj)=P(Xk)P(Xi∣Xk)P(Xj∣Xk)P(X_i,X_k,X_j)=P(X_k)P(X_i|X_k)P(X_j|X_k)P(Xi,Xk,Xj)=P(Xk)P(Xi∣Xk)P(Xj∣Xk)
P(Xi,Xj∣Xk)=P(Xi,Xk,Xj)P(Xk)=P(Xk)P(Xi∣Xk)P(Xj∣Xk)P(Xk)==P(Xi∣Xk)P(Xj∣Xk)P(X_i,X_j|X_k)=\frac{P(X_i,X_k,X_j)}{P(X_k)} =\frac{P(X_k)P(X_i|X_k)P(X_j|X_k)}{P(X_k)}==P(X_i|X_k)P(X_j|X_k)P(Xi,Xj∣Xk)=P(Xk)P(Xi,Xk,Xj)=P(Xk)P(Xk)P(Xi∣Xk)P(Xj∣Xk)==P(Xi∣Xk)P(Xj∣Xk)
结果:Xi,XjX_i,X_jXi,Xj关于XkX_kXk条件独立
Converging connection
不观测XkX_kXk
P(Xi,Xj)=∑xkP(Xi,Xj,Xk)=P(Xi)P(Xj)∑xkP(Xk)=P(Xi)P(Xj)P(X_i,X_j)=\sum_{x_k}P(X_i,X_j,X_k)=P(X_i)P(X_j)\sum_{x_k}P(X_k)=P(X_i)P(X_j)P(Xi,Xj)=xk∑P(Xi,Xj,Xk)=P(Xi)P(Xj)xk∑P(Xk)=P(Xi)P(Xj)
结果:X与Y是独立事件
观测XkX_kXk
P(Xi,Xj∣Xk)=P(Xi,Xk,Xj)P(Xk)=P(Xi)P(Xj)P(Xk∣Xi,Xj)P(Xk)P(X_i,X_j|X_k)=\frac{P(X_i,X_k,X_j)}{P(X_k)} =\frac{P(X_i)P(X_j)P(X_k|X_i,X_j)}{P(X_k)} P(Xi,Xj∣Xk)=P(Xk)P(Xi,Xk,Xj)=P(Xk)P(Xi)P(Xj)P(Xk∣Xi,Xj)
结果:Xi,XjX_i,X_jXi,Xj关于XkX_kXk
不是
条件独立
定义
在不同的已知条件下判断A,B是否属于D-Separationd时会得到不同的结果。
比如已知了C下可能判断出A 和B是d分离的,
但如果不知道c或者已知为节点D的状态或者不知道任何其他节点的状态,则可能得出的结果是A,B未分离的。
定义 D-Separation: 对于 DAG 图 E,且A,B是图中的两个节点,对于A和B之间的每个结点C,如果节点C满足如下两个条件之一,则认为A,B是D-Separationd:
- the connection of C is
serial
ordiverging
and the state of C is observed; - the connection of C is
converging
and neither the state of C nor the state of any descendant of C is observed
简单的来说:在C可观测时候 且 C是
serial
或者diverging
连接时候,A,B是d分离的(独立);在C不可观测时候 且 C是converging
连接时候,A,B是d分离的(独立)
反之:在C不
可观测时候 且 C是serial
或者diverging
连接时候,A,B不是d分离的(独立);在C 可观测时候 且 C是converging
连接时候,A,B不是
d分离的(独立)
参考
参考_d-seperation_知乎
参考_d-seperation_博客园
参考_d-seperation_CSDN
概率图模型的d-separation概念相关推荐
- 概率图模型的一些基本概念与例子
概率图模型的一些基本概念与例子 本文转自机器之心,作者Prasoon Goyal 原文链接如下:http://www.sohu.com/a/207319466_465975 概率图模型是人工智能领域内 ...
- 概率图模型(PGM)/马尔可夫随机场(MRF)/条件随机场基本概念(CRF)
概率图模型: 1:为什么引入图模型:一般的问题我们都可以用概率模型去很好的解决,那么为什么又要在概率的基础上加一个图呢?在这里我们引入图结构其实是因为图结构可以将概率模型的结构可视化,应用图这是一种直 ...
- 机器学习笔记:概率图模型
公众号关注 "视学算法" 设为 "星标",DLCV消息即可送达! 来自 | 知乎 作者丨苏一 来源丨https://zhuanlan.zhihu.com/p/5 ...
- 【经典书】概率图模型:原理与技术
来源:专知 本文为书籍,建议阅读5分钟概率图模型将概率论与图论相结合,是当前非常热门的一个机器学习研究方向. 概率图模型将概率论与图论相结合,是当前非常热门的一个机器学习研究方向.<概率图模型: ...
- 送你一份概率图模型笔记
来源:NewBeeNLP 本文长度为2700字,建议阅读6分钟 本文为你分享一份概率图模型学习笔记,一起交流. 写在前面 其实接触概率图模型也有一段时间了,从开始入坑NLP起,也陆陆续续看了很多关于图 ...
- 科普丨深度学习 vs 概率图模型 vs 逻辑学
今天,我们一起来回顾过去50年人工智能(AI)领域形成的三大范式:逻辑学.概率方法和深度学习.如今,无论依靠经验和"数据驱动"的方式,还是大数据.深度学习的概念,都已经深入人心,可 ...
- 深度学习 vs. 概率图模型 vs. 逻辑学
深度学习 vs. 概率图模型 vs. 逻辑学 发表于2015-04-30 21:55|6304次阅读| 来源quantombone|1 条评论| 作者Tomasz Malisiewicz 深度学习de ...
- 林华达视角-概率图模型与计算机视觉
1. 概率模型与计算机视觉 上世纪60年代, Marvin Minsky 在MIT让他的本科学生 Gerald Jay Sussman用一个暑假的时间完成一个有趣的Project: "lin ...
- 想了解概率图模型?你要先理解图论的基本定义与形式
图论一直是数学里十分重要的学科,其以图为研究对象,通常用来描述某些事物之间的某种特定关系.而在机器学习的世界里,我们希望从数据中挖掘出隐含信息或模型.因此,如果我们将图中的结点作为随机变量,连接作为相 ...
- 三维重建16:概率图模型 模板类编程
刚刷了一部分网络题,又出了个模板类编程.没人能从面试中得到自己想要的方法,只能得到能看得到的结果!!! 一 概率图模型 贝叶斯模型,真是推导不出来了!贝叶斯函数貌似也写不出来了! 参考:斯坦福概率图模 ...
最新文章
- 【OpenCV 4开发详解】图像修复
- Django学习(一)
- Redux Vuex
- 【ArcGIS风暴】ArcGIS栅格数据(分区)统计方法总结
- 那些把天聊死的神操作。。| 今日最佳
- 零基础入门深度学习(3) - 神经网络和反向传播算法
- Redis:分布式锁setnx(只 实现了 互斥性和容错性)
- jar 打包命令详解
- springboot 讯飞语音_讯飞智能语音鼠标实际体验感受
- c++_string与double/int互转
- 定时重启_SpringBoot基于数据库的定时任务实现方法
- matlab中数组的创建
- Mac OS X 内核Rootkit开发指南(转)
- 程序员修炼之道关键点总结和个人感悟
- JVM中类加载的时机
- 娄底职业技术学院计算机老师,2019年娄底职业技术学院公开招聘教师员工拟聘人员公示...
- 文件夹的隐藏选项为灰色勾选,无法更改或删除
- 如何针对时间片论法进行优化
- 贝叶斯优化: 一种更好的超参数调优方式
- python 网盘上传_【Python3】基于文叔叔网盘上传与下载的Python脚本
热门文章
- php 购物车案例教程,php初步实现购物车功能的实例分析
- python 颜色_Python可视化|matplotlib07自带颜色条Colormap(三)
- python中request方法_如何使用python语言中的request模块获取代码
- 2018-2019-1 20165214 《信息安全系统设计基础》第八周学习总结
- Mac OS X 显示和隐藏文件
- 出差费用管理模块的几个问题
- mysql 表与表之间的条件比对_《MySQL数据库》关联查询
- 云计算底层技术--linux上的虚拟网络设备
- (77)FPGA时序违例及解决办法-面试必问(一)(第16天)
- (75)FPGA随机函数($random)