如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~
花书+吴恩达深度学习(二三)结构化概率模型(贝叶斯网络、马尔可夫网络)
花书+吴恩达深度学习(二四)蒙特卡罗方法(重要采样,MCMC)
花书+吴恩达深度学习(二五)直面配分函数(CD, SML, SM, RM, NCE)
花书+吴恩达深度学习(二六)近似推断(EM, 变分推断)
0. 前言
结构化概率模型使用图来描述随机变量之间的直接相互作用,从而描述概率分布。
每一个节点代表一个随机变量,每一条边代表一个直接相互作用。
结构化概率模型的优点是,它们能够显著降低表示概率分布、学习和推断的成本。
有向模型和无向模型的区别是:有向模型通过从起始点的概率分布直接定义,无向模型通过 ϕ \phi ϕ函数转换为概率分布而定义。
1. 有向模型
有向图模型(directed graphical model)又被称为信念网络(belief network)或贝叶斯网络(Bayesian network)。
所有边都是有方向的,箭头所指的方向表示随机变量的概率分布是由其他随机变量决定的。
概率分布表示为:
p ( x ) = ∏ i p ( x i ∣ P a g ( x i ) ) p(x)=\prod_{i}p(x_i\mid Pag(x_i)) p(x)=i∏p(xi∣Pag(xi))
其中, P a g ( x i ) Pag(x_i) Pag(xi)表示 x i x_i xi的所有父节点。
例如下图所示(图源:深度学习):
t 1 t_1 t1依赖于 t 0 t_0 t