无向图模型(马尔科夫随机场)
定义:一个无向图G=(V,E)包含节点集合V和边的集合E,边由点对组成。
还是之前的三个关注点:
1. 概率分布 ---> 用于查询/推断
2. 表示 ---> 具体实现
3. 条件独立 ---> 模型的解释
先来看条件独立
3. 条件独立
图分割理论:可以被Given的点分割的点相互独立。
"可达性"
右图,马克科夫包裹:给了所有的邻居,该点和所有点都独立。
是否可以把无向图转化为有向图?
* 图表达的独立性是否完全一致
所以是不能的。
1. 概率分布
有向图: 利用 “局部” 参数(条件概率)去表示联合概率
无向图: 是否也可以用条件概率去表示联合? No -> 存在一致性问题
放弃条件概率
失去局部概率表示
保持独立地任意地选择这些函数的能力
保证所有重要的联合表示可以表示为局部函数的积
关键问题: 决定局部函数的定义域
条件独立: 图分隔
团(Clique)
图上的团是一个完全连接的节点子集 --->没有相互独立的节点
局部函数s不应该被定义在超出团的域上
极大团
图的极大团是指那些没法再增加额外点的团,否则就会不满足完全连接的性质
不失一般性,我们可以把局部函数定义到极大团上,以内它包含所有可能的依赖
势函数 (局部参数化)
φxc(xc): 定义在极大团xc上的势函数 (非负实值函数) ---> 不是概率,类似概率,表示联系
2. 表示
原来需要2^6,使用极大团来定义局部概率,更容易刻画。
势函数的解释
为什么不用边际概率p(xc)作为势函数?
利用条件独立性进行检验:
一般来说, 势函数既不是条件概率也不是边际概率
将函数表示为一种无约束形式:
无向图模型小结
定义一族概率分布的两种方式:
U1, 通过枚举所有图上极大团的势函数的可能选择
U2, 通过声明图G上的所有条件独立断言
Hammersley-Clifford 定理
U1 和U2 是相同的