贝叶斯网边际马尔科夫子图及其应用

贝叶斯网络利用有向无圈图对多元联合概率分布中条件独立性进行约束,以实现其在不确定推理中的模块化分解,降低概率推理的计算复杂度.它在概率推理、机器学习和因果推理中都有广泛的应用.在实际中,如果采用分而治之或模型压缩的方法对贝叶斯网络进行结构学习或统计推断,那么需要人们寻找边际分布的极小马尔科夫子图(或极小独立图)来建立边际模型.为此,本文基于贝叶斯网的道义图研究贝叶斯网边际模型的极小马尔科夫子图,从统计和图论的观点对其进行了细致的刻画.针对DAG模型的可压缩性,本文将基于有向导出路径的性质给出更直观的等价条件,同时又给出了若干充分条件,这为判断模型是否可压缩到局部子模型上提供了更多的理论工具.

贝叶斯网马尔可夫性的边缘化

贝叶斯网作为概率论与图论相结合的产物,在对不确定复杂系统进行建模以及降低概率推理的计算复杂度等方面具有不可替代的应用价值.当在大规模贝叶斯网上进行概率推理和数据分析时,往往不需要关心全部的变量,而是在少数变量集上进行统计推断或概率推理,这就需要人们考虑边缘模型的结构信息(即分布中的条件独立信息),而边缘模型结构实质上是马尔可夫性的边缘化.考虑到贝叶斯网的边际化运算并不封闭,文章重点研究了贝叶斯网边缘模型的极小独立图问题.在借鉴无向图模型的变量消元方法以及有向图中t-可去点定义的基础上,文章提出了有向无圈图的变量消元方法,并证明消元后所得到的图恰好是边缘化掉变量集后所得到的边缘模型的极小独立图.