更改

添加1,007字节 、 2021年3月5日 (五) 23:00
无编辑摘要
第11行: 第11行:  
其中:
 
其中:
   −
图模型的表示representation是指:如何用图模型来将概率分布进行表示;
+
* 图模型的表示representation是指:如何用图模型来将概率分布进行表示;
图模型的推断inference是指:在已知图模型的情况下,如何计算某一未知节点的概率;
+
* 图模型的推理inference是指:在已知图模型的情况下,如何计算某一未知节点的概率;
图模型的学习learning是指:对图的结构和参数的学习。
+
* 图模型的学习learning是指:对图的结构和参数的学习。
      第67行: 第67行:     
其中,<math>w_k</math>是权重,<math>\phi_k</math>是势函数,映射团<math>k</math>到实数。
 
其中,<math>w_k</math>是权重,<math>\phi_k</math>是势函数,映射团<math>k</math>到实数。
 +
 +
 +
==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>
 +
 +
[[File:BN和MN的推理算法分类.png| BN和 MN的推理算法分类]]
 +
 +
其中概率查询是计算后验概率分布P(Y|E=e),其中Y是查询变量集,E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。
 +
 +
 +
==图模型的学习==
 +
 +
 +
由于概率图模型的表示分参数表示和结构表示两个部分, 因此学习算法也分为参数学习与结构学习两大类。
 +
 +
 +
    
===其他类别===
 
===其他类别===