从链图角度看贝叶斯网络
人工智能
2013-02-01 v1
摘要
本文给出了一些支持使用链图描述概率条件独立结构的论据。每个贝叶斯网络模型都可以通过关于一个与贝叶斯网络马尔可夫等价的链图的因子分解公式等价地引入。给出了此类图的图形特征。等价图类可以用一个称为最大链图的区分图来表示。关于最大链图的因子分解公式是提出如何在计算机中表示相应（离散）概率分布（即参数化）的基础。这种方式不依赖于从等价网络类中选择特定的贝叶斯网络，并且从内存需求的角度来看似乎是最有效的方式。本文以更简单的方式阐述了从链图中读取独立性语句的分离准则。它类似于贝叶斯网络中著名的d-分离准则，并且可以局部实现。
引用
@article{arxiv.1301.7414,
title = {Bayesian Networks from the Point of View of Chain Graphs},
author = {Milan Studeny},
journal= {arXiv preprint arXiv:1301.7414},
year = {2013}
}
备注
Appears in Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence (UAI1998)