Bayesian Network是有向无环图(directed acyclic graph, DAG),其推断的过程是由根节点(root node)逐次扩散到叶节点(leaf node)的过程,在Bayesian Network的一个节点可以描述为以下方向图:
图1 Bayesian Network的一个节点
图1中 Zj Z j 是Bayesian Network中的一个节点,即一个随机变量, Paj P a j 是它的Parents(父节点)。设 pθ(Zj|Paj)=N(Zj ; hθ(Paj),σ2zI) p θ ( Z j | P a j ) = N ( Z j ; h θ ( P a j ) , σ z 2 I ) ,表示在给定Parents时, Zj Z j 是以 hθ(Paj) h θ ( P a j ) 为中心的正态分布。在我们用MC(蒙地卡罗)方法进行推断时,为获得 Zj Z j 的样本,需要先得到 Paj P a j 的样本 paj p a j ,然后通过 pθ(Zj|Paj=paj)=N(Zj ; hθ(paj),σ2zI) p θ ( Z j | P a j = p a j ) = N ( Z j ; h θ ( p a j ) , σ z 2 I ) 抽样才能得到,即构造了一个新的分布后再抽样。
文章《Fast Gradient-Based Inference with Continuous Latent Variable Models in Auxiliary Form》为我们提出了一种辅助模型,该模型简单地可见图2:
图2 辅助模型
辅助模型在原有的模型上添加了一个新的随机变量 Ej E j 原来的 pθ(Zj|Paj) p θ ( Z j | P a j ) 成为了新的模型 p̂θ(Zj,Ej|Paj) p ^ θ ( Z j , E j | P a j ) ,令 pθ(Zj|Paj) p θ ( Z j | P a j ) 是 p̂
Bayesian Network的辅助模型
最新推荐文章于 2023-02-04 10:33:39 发布
本文探讨了Bayesian Network的推断过程,通过图解展示了节点如何由根节点扩散到叶节点。介绍了一种辅助模型,该模型通过添加新的随机变量Ej,改进了原有的模型,使得推断更高效。此方法受到了Diederik P. Kingma在2014年提出的VAE模型的启发。
摘要由CSDN通过智能技术生成