概率图模型 - 版本历史

思无涯咿呀咿呀：/* 应用 */

2021-03-07T09:56:25Z

应用

思无涯咿呀咿呀：/* 图模型的推理 */

2021-03-06T05:46:22Z

图模型的推理

思无涯咿呀咿呀：/* 图模型的推理 */

2021-03-06T05:46:11Z

图模型的推理

2021年3月6日 (六) 05:45 思无涯咿呀咿呀

2021-03-06T05:45:52Z

思无涯咿呀咿呀：/* 编者推荐 */

2021-03-06T04:05:29Z

编者推荐

思无涯咿呀咿呀：/* 编者推荐 */

2021-03-06T04:01:55Z

编者推荐

思无涯咿呀咿呀：/* 其他类别 */

2021-03-06T03:53:04Z

其他类别

2021年3月6日 (六) 03:40 思无涯咿呀咿呀

2021-03-06T03:40:19Z

思无涯咿呀咿呀：/* 图模型的推理 */

2021-03-06T03:35:16Z

图模型的推理

思无涯咿呀咿呀：/* 其他类别 */

2021-03-06T03:34:08Z

其他类别

@@ 第112行： / 第112行： @@
 ==应用==
-该模型的框架为发现和分析复杂分布中的结构、简洁地描述结构和提取非结构化信息提供了算法，使模型得到有效的构建和利用。图形模型的应用包括[[因果推理]]、信息抽取、[[语音识别]]、[[l计算机视觉]]、低密度奇偶校验码的解码、基因调控网络的建模、基因发现和疾病诊断，以及蛋白质结构的图形模型。
+该模型的框架为发现和分析复杂分布中的结构、简洁地描述结构和提取非结构化信息提供了算法，使模型得到有效的构建和利用。图形模型的应用包括[[因果推理]]、信息抽取、[[语音识别]]、[[计算机视觉]]、低密度奇偶校验码的解码、基因调控网络的建模、基因发现和疾病诊断，以及蛋白质结构的图形模型。
 ==另见==

@@ 第73行： / 第73行： @@
 概率图模型的推理方法主要分精确推理和近似推理两大类，而根据网络结构和查询问题的不同，概率图模型的推理方法可以分为三大类，分别是BN和MN的推理、混合网络的推理和DBN的推理，然后再根据查询问题的形式对每一类推理方法继续细分，下图着重介绍BN和MN的推理。<ref name = 刘建伟2>刘建伟,崔立鹏,黎海恩,罗雄麟. 概率图模型推理方法的研究进展[J]. 计算机科学, 2015, 42(4): 1-18, 30.</ref>
-[[File:BN和MN的推理算法分类.png|right|BN和 MN的推理算法分类<ref name = 刘建伟2 /> ]]
+[[File:BN和MN的推理算法分类.png|BN和 MN的推理算法分类<ref name = 刘建伟2 /> ]]
 其中概率查询是计算后验概率分布<math>P(Y|E=e)</math>，其中<math>Y</math>是查询变量集，<math>E</math>为证据变量集；MAP表示最大后验概率查询，也称最有可能解释查询，即求出非证据变量集的最有可能取值。

@@ 第73行： / 第73行： @@
 概率图模型的推理方法主要分精确推理和近似推理两大类，而根据网络结构和查询问题的不同，概率图模型的推理方法可以分为三大类，分别是BN和MN的推理、混合网络的推理和DBN的推理，然后再根据查询问题的形式对每一类推理方法继续细分，下图着重介绍BN和MN的推理。<ref name = 刘建伟2>刘建伟,崔立鹏,黎海恩,罗雄麟. 概率图模型推理方法的研究进展[J]. 计算机科学, 2015, 42(4): 1-18, 30.</ref>
-[[File:BN和MN的推理算法分类.png|thumb| right|BN和 MN的推理算法分类<ref name = 刘建伟2 /> ]]
+[[File:BN和MN的推理算法分类.png|right|BN和 MN的推理算法分类<ref name = 刘建伟2 /> ]]
 其中概率查询是计算后验概率分布<math>P(Y|E=e)</math>，其中<math>Y</math>是查询变量集，<math>E</math>为证据变量集；MAP表示最大后验概率查询，也称最有可能解释查询，即求出非证据变量集的最有可能取值。

@@ 第5行： / 第5行： @@
 '''图模型 Graphical Model'''，亦称'''概率图模型 Probabilistic Graphical Model（PGM）'''或'''结构化概率模型 structured probabilistic model'''，是一种用图表示随机变量之间条件依赖关系的概率模型。它们通常用于概率论、统计学，尤其是贝叶斯统计学和[[机器学习]]。
-[[File:Graph model.svg|thumb|right|这是一个图模型的例子。每个箭头表示一个依赖关系。在这个例子中: D 依赖于 A、 B 和 C; C 依赖于 B 和 D; 而 A 和 B 相互独立。]]
+[[File:Graph_model.png|400px|thumb|right|这是一个图模型的例子。每个箭头表示一个依赖关系。在这个例子中: D 依赖于 A、 B 和 C; C 依赖于 B 和 D; 而 A 和 B 相互独立。]]
 常用的概率图模型大致分为两类：贝叶斯网络（Bayesian network, BN）和马尔可夫网络（Markovnetwork, MN）或者称为马尔可夫随机场。概率图理论共分为三个部分，分别为概率图模型表示理论，概率图模型推理理论和概率图模型学习理论。<ref name = 刘建伟>刘建伟，黎海恩，罗雄麟.[http://www.aas.net.cn/fileZDHXB/journal/article/zdhxb/2014/6/PDF/2014-6-1025.pdf 概率图模型学习技术研究进展J].自动化学报 , 2014 , 40 (6) :1025-1044</ref>
@@ 第174行： / 第174行： @@
-==== [https://campus.swarma.org/course/1579 概率上的图模型|Openlab内部读书会第一期分享] ====
+==== [https://campus.swarma.org/course/2033 概率上的图模型|Openlab内部读书会第一期分享] ====
 这部分内容是由北京师范大学的张章进行分享的内容，也可以作为一个参考推荐给大家。
-==== [https://campus.swarma.org/course/1579 因果科学与Causal AI读书会第二季] ====
+==== [https://campus.swarma.org/course/2460 因果科学与Causal AI读书会第二季] ====
 因果科学读书会的第二季将会从基础的部分介绍图模型，以及更多跟图模型拓展相关，解释因果性的文章。读书会期间将会精读三本因果科学方向的优秀书籍，并共同完成书籍中的思考题。

@@ 第170行： / 第170行： @@
 人工智能可以看做两个割裂的阶段，一是早期的基于符号的搜索，二是现在的机器学习，概率图模型可以将两者统一起来。概率图模型完美融合了人工智能的各个任务，我们既可以表示知识、推理、概率推断、learning，是为数不多的能够统一全部内容的方法。本课程中，北京师范大学系统科学学院教授张江将从概率理论、贝叶斯网、马尔科夫网和表示学习四部分内容讲解概率图模型。
 ==== [https://campus.swarma.org/course/1579 概率上的图模型|Openlab内部读书会第一期分享] ====
 这部分内容是由北京师范大学的张章进行分享的内容，也可以作为一个参考推荐给大家。
@@ 第182行： / 第183行： @@
-[[File:图模型的介绍.jpeg|400px| thumb |right| [https://campus.swarma.org/course/1579 因果科学与Causal AI读书会第二季]]]
+=== 文章推荐 ===

←上一版本		2021年3月6日 (六) 04:01的版本
第171行：		第171行：
	人工智能可以看做两个割裂的阶段，一是早期的基于符号的搜索，二是现在的机器学习，概率图模型可以将两者统一起来。概率图模型完美融合了人工智能的各个任务，我们既可以表示知识、推理、概率推断、learning，是为数不多的能够统一全部内容的方法。本课程中，北京师范大学系统科学学院教授张江将从概率理论、贝叶斯网、马尔科夫网和表示学习四部分内容讲解概率图模型。		人工智能可以看做两个割裂的阶段，一是早期的基于符号的搜索，二是现在的机器学习，概率图模型可以将两者统一起来。概率图模型完美融合了人工智能的各个任务，我们既可以表示知识、推理、概率推断、learning，是为数不多的能够统一全部内容的方法。本课程中，北京师范大学系统科学学院教授张江将从概率理论、贝叶斯网、马尔科夫网和表示学习四部分内容讲解概率图模型。

−	==== [https://campus.swarma.org/course/1579 ~~概率图模型~~] ====	+	==== [https://campus.swarma.org/course/1579 概率上的图模型\|Openlab内部读书会第一期分享] ====

		+	这部分内容是由北京师范大学的张章进行分享的内容，也可以作为一个参考推荐给大家。
		+
		+
		+
		+
		+	==== [https://campus.swarma.org/course/1579 因果科学与Causal AI读书会第二季] ====
		+	因果科学读书会的第二季将会从基础的部分介绍图模型，以及更多跟图模型拓展相关，解释因果性的文章。读书会期间将会精读三本因果科学方向的优秀书籍，并共同完成书籍中的思考题。
		+
		+
		+	[[File:图模型的介绍.jpeg\|400px\| thumb \|right\| [https://campus.swarma.org/course/1579 因果科学与Causal AI读书会第二季]]]

@@ 第100行： / 第100行： @@
 *链式图 chain graph 是既可以有向也可以无向的边，但是没有任何有向环（即，如果我们从任意一个顶点开始并依据任何箭头的方向沿该图形移动，则只要我们沿着箭头走了一步我们将无法返回到该顶点）。 有向无环图和无向图都是链式图的特例，因此可以提供一种统一和泛化贝叶斯网络和马尔可夫网络的方法。<ref>{{cite journal|last=Frydenberg|first=Morten|year=1990|title=The Chain Graph Markov Property|journal=[[Scandinavian Journal of Statistics]]|volume=17|issue=4|pages=333–353|mr=1096723|jstor=4616181 }}</ref>
-* 祖先图是既有有向边，也有双向边和无向边的图。 [[ancestral graph]] is a further extension, having directed, bidirected and undirected edges.<ref>{{cite journal
+* 祖先图是既有有向边，也有双向边和无向边的图。<ref>{{cite journal
 |first1=Thomas |last1=Richardson |first2=Peter |last2=Spirtes|title=Ancestral graph Markov models|journal=Annals of Statistics|volume=30 |issue=4 |year=2002 |pages=962–1030|doi=10.1214/aos/1031689015|mr=1926166 | zbl = 1033.60008|citeseerx=10.1.1.33.4906}}</ref>

←上一版本		2021年3月6日 (六) 03:40的版本
第159行：		第159行：
	* [http://sandeep-aparajit.blogspot.com/2013/06/how-does-conditional-random-field-crf.html Graphical models and Conditional Random Fields]		* [http://sandeep-aparajit.blogspot.com/2013/06/how-does-conditional-random-field-crf.html Graphical models and Conditional Random Fields]
	* [https://www.cs.cmu.edu/~epxing/Class/10708/ Probabilistic Graphical Models taught by Eric Xing at CMU]		* [https://www.cs.cmu.edu/~epxing/Class/10708/ Probabilistic Graphical Models taught by Eric Xing at CMU]
		+
		+	==编者推荐==
		+
		+
		+
		+
		+	=== 课程推荐 ===
		+
		+	==== [https://campus.swarma.org/course/1579 概率图模型] ====
		+
		+	人工智能可以看做两个割裂的阶段，一是早期的基于符号的搜索，二是现在的机器学习，概率图模型可以将两者统一起来。概率图模型完美融合了人工智能的各个任务，我们既可以表示知识、推理、概率推断、learning，是为数不多的能够统一全部内容的方法。本课程中，北京师范大学系统科学学院教授张江将从概率理论、贝叶斯网、马尔科夫网和表示学习四部分内容讲解概率图模型。
		+
		+	==== [https://campus.swarma.org/course/1579 概率图模型] ====
		+
		+

@@ 第71行： / 第71行： @@
 ==图模型的推理==
-概率图模型的推理方法主要分精确推理和近似推理两大类，而根据网络结构和查询问题的不同，概率图模型的推理方法可以分为三大类，分别是BN和MN的推理、混合网络的推理和DBN的推理，然后再根据查询问题的形式对每一类推理方法继续细分，下图着重介绍BN和MN的推理。<ref>刘建伟,崔立鹏,黎海恩,罗雄麟. 概率图模型推理方法的研究进展[J]. 计算机科学, 2015, 42(4): 1-18, 30.</ref>
+概率图模型的推理方法主要分精确推理和近似推理两大类，而根据网络结构和查询问题的不同，概率图模型的推理方法可以分为三大类，分别是BN和MN的推理、混合网络的推理和DBN的推理，然后再根据查询问题的形式对每一类推理方法继续细分，下图着重介绍BN和MN的推理。<ref name = 刘建伟2>刘建伟,崔立鹏,黎海恩,罗雄麟. 概率图模型推理方法的研究进展[J]. 计算机科学, 2015, 42(4): 1-18, 30.</ref>
-[[File:BN和MN的推理算法分类.png|thumb| right|BN和 MN的推理算法分类<ref>刘建伟,崔立鹏,黎海恩,罗雄麟. 概率图模型推理方法的研究进展[J]. 计算机科学, 2015, 42(4): 1-18, 30.</ref> ]]
+[[File:BN和MN的推理算法分类.png|thumb| right|BN和 MN的推理算法分类<ref name = 刘建伟2 /> ]]
 其中概率查询是计算后验概率分布<math>P(Y|E=e)</math>，其中<math>Y</math>是查询变量集，<math>E</math>为证据变量集；MAP表示最大后验概率查询，也称最有可能解释查询，即求出非证据变量集的最有可能取值。

@@ 第94行： / 第94行： @@
 ===其他类别===
 *朴素贝叶斯分类器 Naive Bayes classifier，其中会使用单根树。
-*依赖性网络 Dependency network中会出现环
+*依赖性网络 Dependency network中会出现环。
-*树增广朴素贝叶斯分类器 Tree-augmented classifier 或简称为TAN模型
+*树增广朴素贝叶斯分类器 Tree-augmented classifier 或简称为TAN模型。
 *因子图 factor graph是连接变量和因子的无向二分图。 每个因子代表与其连接的变量有关的函数。 这对于理解和实现信念传播算法很有帮助。
 *团树 clique tree或者联合树，是指基于团的树，一般是将有向图转化为树，减少计算难度，一般会使用联合树算法来求解。
@@ 第109行： / 第109行： @@
 **条件随机场是基于无向图上的判别模型。
-* 受限玻尔兹曼机是一个基于无向图上的二分生成模型
+* 受限玻尔兹曼机是一个基于无向图上的二分生成模型。
 ==应用==