本文深入探讨Factor在概率图模型（PGM）中的推理模式，包括Causal Reasoning（因果推理）、Evidential Reasoning（证据推理）和Intercausal Reasoning（混合推理）。介绍了因果推理的必要条件、不同类型的因果模型，以及Deduction、Induction和Abduction三种推理方式。证据推理基于Dempster-Shafer理论，处理不确定性信息。混合推理结合因果与证据推理，用于更复杂的场景分析。
通过上一篇文章的介绍，我们已经基本了解了：Factor是组成PGM模型的基本要素；Factor之间的运算和推理是构建高维复杂PGM模型的基础。那么接下来，我们将重点理解，Factor之间的推理（Reasoning Patterns）。Factor之间的推理分为以下几类：
1. Causal Reasoning ， 因果推理；
2. Evidential Reasoning，证据推理；
3. Intercausal Reasoning
本文将详细描述上述三种推理模式。
一 Casual Reasoning，因果推理
要弄清楚因果推理，我们首先要明白什么是因果关系（Causality）。当我们说A与B之间具有因果关系，如果A是因（cause）B是果（effect），则A与B之间必须具备以下四个必要条件（necessary conditions）：
A与B共变（covary），也就是A增加（或减少）B也增加（或是减少）
A发生在B之前，也就是“前因”“后果”
最低0.47元/天 解锁文章
扫一扫
2546
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
