概率无向图模型
概率无向图模型
前面我们所讲的朴素贝叶斯,贝叶斯网络,马尔科夫模型,隐马尔科夫模型都属于概率有向图模型。概率无向图模型和概率有向图模型处理方法有少许不同,本文单独介绍。
马尔科夫随机场是一种著名的概率无向图模型,李航的书中直接将两者划为了等号。
本文首先介绍概率无向图模型的定义,然后介绍概率无向图模型的因子分解。
马尔科夫随机场的定义
马尔科夫随机场是一种著名的概率无向图模型。图中每个结点表示一个或者一组随机变量,结点之间的边表示两个随机变量之间的依赖关系。马尔科夫随机场有一组势函数,也可称之为因子。这些势函数是定义在变量子集上的非负实函数,可以用其定义联合概率分布。
团和极大团
假设是概率图中的一个子集。中任意两点间都有边链接,则可称为团。若在一个团中加入任何另外一个节点,都会破坏当前的团结构,则可称为级打团。换言之,极大团就是不能被其他团所包含的团。
从上图可以看出可包括如下团:,其中和为极大团。
在马尔科夫随机场中,多个变量之间的联合分布能基于团分解为多个因子的乘积,每一个因子仅仅与一个团相关,具体的说,假设有个随机变量,构成的集合为。所有团构成的集合为C,与团对应的变量集合为,则联合概率分布可定义为:。
其中为与团对应的势函数,他是对团中的变量关系进行建模,为规范化因子,为了确保是被正确定义的概率函数,实际计算中,想精确得到的值是非常困难的,但许多任务中,只是将当作一个规范化因子,对其要求并不高。
显然,若变量个数比较多的情况下,团的数目会非常的多,比如仅临的两个结点就可以组成一个团。这意味着上面的一个函数有着非常多的乘积,同时也需要大量的势函数,会给计算带来极大的负担。但是注意到若不是一个极大团,那么它必然被一个极大团所包含,那么极大团的势函数也会影响到团,所以单独计算非极大团的势函数有点计算多余。那么可以认为计算所对应的团的集合只需要包含极大团即可。与贝叶斯网一样,马尔可夫随机场可以视为定义了一系列由图结构确定的独立性假设。
在马尔科夫随机场中如何获得条件性假设了?
条件性假设
在马尔科夫随机场中同样借助分离的概念,获得条件独立性。
若从结点集合中的点到达结点集合中,必须经过节点集合。则称节点集合为分离集,所以有性质:
全局马尔可夫性:给定两个子集的分离集,则这两个变量子集条件独立。
即:假设集合为,集合为,集合为,则有:
由全局马尔科夫性可得到两个很有用的推论:
局部马尔可夫性:给定某变量的邻接变量,则该变量条件独立于其他变量。形式化的说,令为图中结点的集合,为节点的邻接结点,,则有
成对马尔科夫行:给定所有的其他变量,两个非邻接变量条件独立。形式化的说,令图的节点集合和边的节点集合分别为和,对图中的两个节点和,若和之间没有边连接,则有