学习:
参数学习:给定一组训练样本,求解模型参数 进行参数估计
有向图:
在贝叶斯网络中,所有变量x的联合概率分布可以分解为每个随机变量x_k的局部条件概率的连乘形式
无向图:
以对数线性模式为例
含隐变量的参数估计
隐变量即变量是不可观测的 图中x为可观测变量 z为不可观测变量
高斯混合模型:
高斯混合模型难点:因为z是不可观测的,不知道具体那个样本具体来自那个高斯,简单的解法:K-means
主要两步
含有隐变量的参数估计:期望最大化 Expectation-Maximum 算法 思想首先找一个q(Z)使得KL尽可能为0 然后就最大化ELBO
收敛性:
GMM Revisit E步
M步
最后结果
图示:
K-means vs EM
推断:
给定部分变量,推断另一部分变量的后验概率
不同的图模型 推断P(x|y)难度不一样
推断分类
如何计算边际概率
计算边际概率
应用乘法的分配律可以大大减少计算量 变量消去法
为了减少重复计算 信念传播算法 Belief Propagation
举例:链上传播
详细计算
链式结构图模型的信念传播过程:
更一般的推断:树结构
近似推断: