概率图模型基础(1)——简介

1. 分布及其因子操作

1.1 联合分布

以学生成绩为例：共有以下几个变量：Intelligence($i^0=low,i^1=high$)、Diffculty($d^0=easy.d^1=hard$)、Grade($g^1=A,g^2=B,g^3=C$)。

其联合分布为：

这三种变量的组合共有$2\ast 2\ast 3=12$种。

1.2 联合分布与条件分布(Condition Probability Distribution, CPD)的一些计算

1.2.1 Reduction

设置筛选条件：以选取成绩为A的人为例，把所有得A的人$(G=g^1)$选出来。

1.2.2 Renormalization

重新标准化，将筛选出来的值除以其概率和，保证标准化后的概率和为1。

1.2.3 Marginalization

计算边缘概率

---

2. Factors

2.1 Factor定义

factory 可以理解为一种函数或者表格。其目的是将变量$(X_1,...,X_k)$映射到某一个实数集。
例如：

• 在图Joint Distribution中，$I,D,G$就是一种factor。对于其中的每一行，都有一个对应的实数。
• 在图normalization中，$I,D$有是一种factor，没有$G$的原因是其他两个变量与变量$G$没有关系，$G$在其中视为常量即可。

2.2 Factor的运算

2.2.1 product

类似于数据库中的join关键字连接。

2.2.2 add

对应1.2 节中的Marginalization。

2.2.3 Reduction

对应1.2 节中的Reduction。

2.3 符号抽象

为了方便，我们通常将包括但不限于上述的操作符抽象为：

---

4. 参考来源

• 斯坦福公开课——Probabilistic Graphical Models