31 | 建模连续分布:高斯网络
- 高斯网络采用高斯线性模型建模连续变量,其数字特征为均值向量和协方差矩阵;
- 高斯贝叶斯网络利用多元高斯分布生成独立图,利用信息矩阵计算网络中的条件概率;
- 高斯马尔可夫随机场具有成对马尔可夫性,通过高斯分布可以确定结点势和边势;
- 混合网络是同时具有离散型结点和连续型结点的概率图模型。
32 | 从有限到无限:高斯过程
- 高斯过程由无穷多个随机变量组成,定义的是函数的先验分布;
- 函数空间上的高斯过程是核技巧在概率模型中的应用,通过定义因变量之间的相关性计算输出;
- 参数空间上的高斯过程是在高维空间中进行贝叶斯的回归分析;
- 高斯过程可以通过等价核、似然概率和高斯先验与其他模型联系起来。
33 | 序列化建模:隐马尔可夫模型
- 隐马尔可夫模型由隐藏的状态序列和可见的观测序列构成,能够对时序依赖关系建模;
- 隐马尔可夫模型的定量描述包括初始状态向量、状态转移矩阵和观测矩阵三部分;
- 作为生成模型,隐马尔可夫可以视为混合模型的推广;
- 隐马尔可夫模型的判别方法对应是条件随机场。