概率图模型(PGM)里的有向分离(D-separation)

有向分离(D-separation)是概率图模型(PGM)的重要概念,它与条件独立紧密相关。在顺连、分连和汇连三种结构中,D-separation揭示了变量间条件独立或边缘独立的关系,帮助理解复杂概率分布的结构。通过识别图中的特定连接方式,可以判断变量间的依赖性。
摘要由CSDN通过智能技术生成

有向分离(Directed Separation)是图论中的概念,在PGM中也有着重要的作用。

D-separation和前一篇博文PGM中的条件独立(Conditional Independent)有很大的联系。


回顾:

  1. 顺连结构:x—>z—>y,x和y关于z条件独立。
  2. 分连结构:x<—z—>y,x和y关于Z条件独立。
  3. 汇连结构:x—>z<—y,x和y边缘独立。若已知结果z反而可能不独立。

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值