一、贝叶斯网络定义
二、通过贝叶斯网络构建联合概率
在贝叶斯网络图中,边代表因果,结点代表变量,举例说明,利用“贝叶斯网络”构建联合概率分布:
- example 1
S:SPRNKLER
R:RAIN
G:GRASS WET
P(S,R,G)=P( R) *P(S|R)*P(G|R,S);
- example 2
D: Difficulty
I: Intelligence
G: Grade
S: SAT
L: Letter
P(D,I,G,S,L)=P(D)*P(I)*P(G|D,I)*P(S|I)*P(L|G)
三、“条件独立与否”的判断方法
- 基础知识
- Tail to Tail
蓝色圆圈:表示已知observation
在这种format中,如果c未知,则a,b不独立;如果c已知,则a,b独立。
证明:
left-hand graph:
right-hand graph:
- Head to tail
如果c未知,则a,b不独立;如果c已知,则a,b独立;
证明:
left-hand graph
right-hand graph
- Head to Head
如果c为未知,则a,b相互独立;如果c为已知,则a,b不独立;
证明:
left-hand graph:
right-hand graph:
- 测试题
在已知c的条件下,判断:
1)a和b是否相互独立?
c已知,意味着e已知,则a,f相关联,由于f与b相关联,则a和b相关联;
2)a和f是否相互独立?
c已知,意味着e已知,则a,f相关联;
3)e和b是否相互独立?
e和b相关联;
深入挖掘东西:
VAE(变分词编码器);
语音识别 CTC loss;
贝叶斯网络结构学习(structure learning);