目錄
-
-
- Variable Elimination(VE) 消元法
-
- VE in complex graphs
- Exact Inference: Clique Tree
-
- Cluster graph and clique tree
- Message passing: Sum Product
- Clique Tree Calibration
- Message passing: Belief Update
- Constructing clique tree
-
Variable Elimination(VE) 消元法
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsIyZuBnLyYTNyQjMyYTM1IjMxgTMwIzLc52YucWbp5GZzNmLn9Gbi1yZtl2Lc9CX6MHc0RHaiojIsJye.png)
線性鍊上的消元:
按照 A、B、C、D 的順序依次消去
VE in complex graphs
induced graph in VE
step 1: Moralizing for BN (即在 v-structure 的兩個父親節點連邊)
step 2: Triangulation (即在消元過程中做三角化操作)
最後出來會是 chordal,即是一個弦圖,圖中隻有三角,沒有四邊形
如果每次 inference 的時候都要周遊整個圖,那就太蠢了,這裡可以采用動态規劃的算法,消元時候的中間結果是可以拿來重用的。
提前計算好定義在每個 clique 上的 marginal distribution,在做 inference 時候也能快很多。
Exact Inference: Clique Tree
Cluster graph and clique tree
clique tree 是定義在弦圖上的,根據 clique 生成的樹狀結構。
clique tree 有兩個非常重要的性質:
- tree and family preserving: 原來的 induced graph 轉化為 clique tree 後具有樹狀結構,而且和原來的結構是可以互相轉換的。clique tree 的每一個節點是代表一個 clique,邊上是兩個 clique 間重疊的部分。
- running intersection property:是指變量 X 存在一條連續的樹的子路徑上。如 G 出現在了 Clique2和 clique4中,那麼中間的 clique3和 clique5
機率圖學習——Inference as Optimization: Cluster Graph & Belief Propagation 聚類圖,置信傳播 每個 clique 都是有他們對應的 local CPD機率圖學習——Inference as Optimization: Cluster Graph & Belief Propagation 聚類圖,置信傳播 機率圖學習——Inference as Optimization: Cluster Graph & Belief Propagation 聚類圖,置信傳播
Message passing: Sum Product
順序1:
順序2:
Clique Tree Calibration
calibration(校準):使得兩個相鄰 clique 之間傳送的消息相等。