链与树模型的推理方法
在概率图模型的领域中,链和树结构的模型有着广泛的应用。本文将详细介绍针对这些模型的不同推理方法,包括最大后验概率(MAP)推理和边缘后验推理,并阐述如何利用动态规划等技术来高效地完成这些推理任务。
1. 链模型的 MAP 推理
在链模型中,我们可以利用动态规划高效地进行 MAP 推理。具体来说,我们的目标是找到一组状态变量 ( \hat{w}_1,\cdots,\hat{w}_N ),使得给定观测值 ( x_1,\cdots,x_N ) 下的后验概率最大。
为了计算累积总成本 ( S_{n,k} ),我们使用以下递归公式:
[
S_{n,k} = U_n(w_n = k) + \min_{l} [S_{n - 1,l} + P_n(w_n = k, w_{n - 1} = l)]
]
其中,( U_n(w_n = k) ) 是与状态 ( w_n = k ) 相关的一元成本,( P_n(w_n = k, w_{n - 1} = l) ) 是从状态 ( w_{n - 1} = l ) 转移到状态 ( w_n = k ) 的二元成本。在每一步,我们还会缓存达到这个最小值所经过的路径。
当到达链的右侧时,我们找到使总成本最小的最终变量 ( w_N ) 的值:
[
\hat{w} N = \arg\min {k} [S_{N,k}]
]
然后根据之前缓存的路径,设置其余的标签 ( \hat{w}_n ),( n = 1,\cdots,N - 1 )。
这种方法利用了观测值和状态之间联合概率的因式分解结构,从而实现了巨大的计算节省
超级会员免费看
订阅专栏 解锁全文

41

被折叠的 条评论
为什么被折叠?



