Stanford概率图模型（Probabilistic Graphical Model）— 第二讲 Template Models and Structured CPDs

最新推荐文章于 2024-02-26 14:47:29 发布

LarryNLPIR

最新推荐文章于 2024-02-26 14:47:29 发布

阅读量1.8w

点赞数 4

CC 4.0 BY-SA版权

分类专栏： NLP/IR OMSA PGM/Topic Model 文章标签：网络 zk methods leak 工作 c

本文链接：https://blog.youkuaiyun.com/yangliuy/article/details/8091630

本文是Stanford概率图模型系列的第二讲，介绍了模板模型（Template Models），如DBN、HMM和Plate Models，以及不同类型的条件概率分布（CPD）：Deterministic CPD、TreeStructured CPD、Noisy OR CPD和Sigmoid CPD。通过这些模型，探讨了变量间的依赖关系和条件独立性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

概率图模型（Probabilistic Graphical Model）系列来自Stanford公开课Probabilistic Graphical Model中Daphne Koller 老师的讲解。（https://class.coursera.org/pgm-2012-002/class/index）

主要内容包括（转载请注明原始出处http://blog.youkuaiyun.com/yangliuy）

1. 贝叶斯网络及马尔可夫网络的概率图模型表示及变形。

2. Reasoning 及 Inference 方法，包括exact inference(variable elimination, clique trees) 和 approximate inference (belief propagation message passing, Markov chain Monte Carlo methods)。

3. 概率图模型中参数及结构的learning方法。

4. 使用概率图模型进行统计决策建模。

第二讲. Template Models and Structured CPDs.

1 Template Models

模版图模型，是对图模型更加紧凑的描述方式。模版变量是图模型中多次重复出现的变量，例如多个学生的智商、多门课程的难度。而模版图模型描述了模版变量如何从模版中继承依赖关系，典型的TemplateModels有动态贝叶斯模型DBN、隐马尔科夫模型HMM及PlateModels。动态贝叶斯模型主要是在贝叶斯网络中引入了马尔科夫假设和时间不变性。这几个模型将在后面几讲中再深入介绍，