知识卡片
有向图的条件概率分解
有向图模型(信念网络、贝叶斯网络)由一个有向无环图和一组局部条件概率分布定义:每个结点的分布只以其父结点为条件,联合分布分解为各结点条件分布的乘积。箭头 a→b 表示 b 的分布依赖 a 的取值,方向常对应因果关系,如接力赛中前者影响后者。若每个变量取 k 值、单个条件分布最多涉及 m 个变量,建表复杂度从 O(k^n) 降到 O(k^m);只要每个结点父结点很少,参数就大幅减少,树等结构还能让求边缘与条件分布更高效。边界在于图只规定哪些变量可作条件分布的参数,并不限制条件分布本身的复杂度——像 Bob 的个人跑步时间相对独立这类假设只能写进条件分布公式,无法在图上表达。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第16章 深度学习中的结构化概率模型 · 查看原书依据
画一个从结点a到结点b的箭头表示了我们用一个条件分布来定义b,而a是作为这个条件分布符号右边的一个变量。换句话说,b的概率分布依赖于a的取值。
参考来源
- 位置:《深度学习》第16章 深度学习中的结构化概率模型(源文件:extracted/深度学习/_epub-src/text/part0006_split_000.html)
- 结论依据:原文说明箭头表示用条件分布定义 b,并用接力赛算例对比 999999 与 19899 个参数,指出复杂度变为 O(k^m)。
- 原始内容:画一个从结点a到结点b的箭头表示了我们用一个条件分布来定义b,而a是作为这个条件分布符号右边的一个变量。换句话说,b的概率分布依赖于a的取值。