Template-Based Representations

Temporal Models

马尔科夫链如上定义，每一帧变量值只和上一帧有关。给定当前一帧的信息，未来的每一帧信息都和历史信息无关，因为当前帧已经包含了所有的历史信息。
针对一个问题和场景，状态变量建模地越完全，模型的马尔可夫性就越容易得到保证。但是模型的复杂度就会提高，这里我们需要一定的权衡。

Dynamic Bayesian Network

在每个迭代步中，带撇的变量就是后一帧的，不带的就是当前帧的，每一个后一帧变量
针对于所有变量的条件概率，等于其对于界面变量（Interface Var）的条件概率。界面变量其实际上就是后一帧变量的Parents。最简单的事件模型就是隐马尔可夫模型了（单状态变量、单观测。把他看作动态贝叶斯网络，就如下所示了：
一个变量如果自己指向下一帧的自己，就被叫做persistent variable。
一个完整的贝叶斯网络由一个初始值和过渡模型组成。过渡模型是一个2-TBN（Temporal Bayesian Network）组成。

左边那个图就可以表示多种声音被一个麦克风听到。右边那个图可以表示一栋楼里多个房间的火灾报警系统。

State-Observation Models

状态观测模型符合两个假设，是动态贝叶斯网络中特殊的一类：
首先是一阶马尔可夫性，其次是观测的独立性，他在给定当前状态时，和其他的所有状态均没有关系。

隐马尔可夫模型

HMM就是一种简单的DBN。

Directed Probabilistic Models for Object-Relational Domains

我们可以根据概率分布的对象特点建立Directed Probabilistic Models for Object-Relational Domains。

Plate Models

板块模型用板块描述一个对象。

所有的对象都被一个模板按照一定的概率生成。并且声称的对象之间都相互独立，抛硬币就是这样一个例子。
不同的object之间还可以相互重叠，多个之间相互作用可以形成复杂的模型。由于我们对plate的数量没有限制，我们还可以生成一个具有无限个object的网络。