图形模型与链树模型详解
1. 图形模型概述
图形模型分为有向图形模型和无向图形模型,它们分别代表着联合分布的不同因式分解类型。一个图形模型暗示了一组独立性和条件独立性关系。存在一些集合只能由有向图形模型表示,一些只能由无向图形模型表示,一些可以由两者共同表示,还有一些则无法由任何一种表示。
常见的视觉模型具有稀疏连接,因此存在许多条件独立性关系。在后续的学习和推理算法开发中,可以利用这些冗余性来提高效率。由于这些模型中的世界状态通常是高维的,所以还讨论了包括最大边际和采样在内的替代推理形式。
在采样和学习方面,从有向图形模型中抽取样本通常更直接,学习有向图形模型也更容易。对于一般的无向图形模型,最著名的学习算法需要抽取样本,而这本身就具有挑战性。
2. 图形模型相关问题
以下是一些与图形模型相关的问题及解答思路:
|问题编号|问题描述|解答思路|
| ---- | ---- | ---- |
|10.1|已知变量({x_i} {i = 1}^7)的联合概率模型因式分解为(Pr(x_1,x_2,x_3,x_4,x_5,x_6,x_7) = Pr(x_1)Pr(x_3)Pr(x_7)Pr(x_2|x_1,x_3)Pr(x_5|x_7,x_2)Pr(x_4|x_2)Pr(x_6|x_5,x_4)),绘制相关的有向图形模型,并找出变量(x_2)的马尔可夫毯。|根据因式分解的条件概率关系绘制有向图,马尔可夫毯是使得变量条件独立于其他所有变量的最小变量集合。|
|10.2|写出图10.14a中有向图形模型对应的因式分解。|根据有向图中节点的依赖关系确定因式分解形式。|
|10.3|无向图形
超级会员免费看
订阅专栏 解锁全文

73

被折叠的 条评论
为什么被折叠?



