Daphne Koller 概率图模型原理与技术(4)- Variable Elimination Algorithm

本文介绍了概率图模型中的变量消除算法,探讨了条件概率查询的NP-Hard问题,详细阐述了Sum-Product、MAP推断以及Max-Product算法,并解释了如何在存在证据的情况下进行变量消除。在马尔科夫网络中,该算法同样适用,通过求和与因子重组,实现变量的消除,最终得到归一化的概率分布。
摘要由CSDN通过智能技术生成

Conditional Probability Queries

NP-Hard Problem

在一个概率图模型里,查询一组变量为给定值时的概率是一个NP-HARD问题,不仅如此,降低问题所需答案的精度,仍然是一个NP-Hard问题。因为求解概率分母Z的时候,涉及到众多变量的众多组合情况,需要求的因子太多了。

Sum-Product

条件概率的计算上,虽然分子只是连乘了几个不同的因子,变量后我们可以把与这个变量取值矛盾的部分给删除掉,计算量有所缩减。除此之外,求解条件概率的时候,分子采用联合概率 P ( Y , E = e ) P(Y, E = e) P(Y,E=e),分母采用边缘概率 P ( E = e ) P(E = e) P(E=e),这样这俩概率,在计算时无需求解归一化分母Z,因为Z将会消除。

MAP Inference

在这里插入图片描述实际上MAP就是在求,已经知道 E = e E=e E=e的情况下,除了 E E

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