概率图模型更进一步的知识点

最近的任务:对概率图模型,MFR,CRF,HMM进行总结,形成自洽的思维图谱;其次研究这几个模型如何从理论迁移到实际语言处理中的分词、词性标注等问题;最后用代码如何实现分词、词性标注;以及调用模型是如何实现的。这才把所有知识点贯通, 从理论到实践的知行合一。

高维如何简化:每个维度之间相互独立,得到朴素贝叶斯(但这个条件太强),再放松一点条件,得到马尔可夫性,给定当前xi,那么未来xi+1独立于以前的状态xj,而只与当前xi相关(这样做缩短的依赖链,是全部独立和全部相关之间的折中,但是还有一个问题是这样的依赖关系又过于简单,当前状态仅仅依赖与前一个状态,有可能当前状态的依赖关系更加随意)。
在这里插入图片描述
在把条件放松一点,得到条件独立性假设:
在这里插入图片描述
在这里插入图片描述
因子分解直接可以看图来得到,有向图就表示条件概率,怎么得到条件独立性呢?
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
这一节主要内容挺简单,就是把三个方式合并成一个表示,然后用推导证明xi只与直接和它相连的有关。
这一节介绍概率图的inference的整体结构:
在这里插入图片描述变量消除法:有马式链已知A,B,C,求D。蓝色笔写的是分离变量,一部分一部分地消除掉:
在这里插入图片描述
缺点:重复计算,消除的次序和计算复杂度相关,要找到最优的消除次序是NP难问题。
如何解决重复计算:Belief Propagation,正向和反向都先求出来,要中间的某个结果就直接取出来就行。这里采用树状结构,把前向和后向算法引入。
在这里插入图片描述
直接把所有的红色和蓝色边都求出来,要计算得到谁就都可以得到。
道德图:把有向图统一到无向图,就不用在计算的时候区分到底是有向合适无向。
在这里插入图片描述
对于方框框起来的两种情况直接就可以把有向图转换为团,但是第三种情况(V型)要依据下面的方式来:
在这里插入图片描述
在这里插入图片描述
因子图:道德图引入了环,但是Belief Propagation算法无法处理环;另外,因子图的表达更加简便。就是在结点与结点之间引入因子结点,把环变成树状结构。
在这里插入图片描述
最后我对这几天学习的知识整理一个大概的框架:
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
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