概率图模型（PGM）学习笔记（二）贝叶斯网络-语义学与因子分解

概率分布（Distributions）

如图1所示，这是最简单的联合分布案例，姑且称之为学生模型。



图1

其中包含3个变量，分别是：I（学生智力，有0和1两个状态）、D（试卷难度，有0和1两个状态）、G（成绩等级，有1、2、3三个状态）。

表中就是概率的联合分布了，表中随便去掉所有包含某个值的行，就能对分布表进行缩减。

例如可以去掉所有G不为1的行，这样就只剩下了1、4、7、10行，这样他们的概率之和就不为1了，所以可以重新标准化（Renormalization）。如图2所示。



图2

反之也可以把所有含有某个值得行相加，就是边缘化（Marginalization），如图3所示。



图3

条件概率分布（Conditional ProbabilityDistribution, CPD）

已知学生的智力和试卷难度，学生得分的分布就是条件概率。如图4所示。



图4

因子（Factors）

因子是随机变量的函数。

因子是处理概率分布的的基本手段。

因子是高维空间中用以定义概率分布的基本单元。



因子可以相乘（图5）、边缘化（图6）以及缩减（图7）。



图5



图6



图7

前面提到的学生模型，其条件概率分布可以画在一张图里面，如图8.

每个节点代表一个因子，其中有些CPD已经蜕化成非条件概率了。



图8

贝叶斯网络的链式法则（Chain Rule）

如图9所示。概率分布由因子的积来定义。





图9

例如



因此，通过链式法则，贝叶斯网络能够表示联合概率分布：



贝叶斯网络的重要性质是概率和为1



一个简单的概率图是血型模型

其中G指基因型，B指血型。可以看到血型只由自己的基因型决定，而基因型则由父母两人的基因型决定。如图10.



图10