-节点，表示随机变量（离散或连续）

贝叶斯网络（Bayesian Network），又称信念网络（Belief Network）或概率图模型，是一种用于表示变量间概率依赖关系的图模型，它结合了图论和概率论，通过有向无环图（DAG）描述变量间的条件独立性，并利用条件概率表（CPT）量化变量间的依赖强度。

• 有向边：表示变量间的直接因果或依赖关系，方向表示依赖方向（从因到果）。
• 无环性：图中不允许有循环,即不能从某个节点出发沿有向边回到该节点。

2. 条件概率表（CPT）：

   • 每个节点都有一个条件概率分布，给定其父节点（直接前驱）的状态,该节点取不同值的概率。
   • 对于没有父节点的节点,使用先验概率分布。

3. 条件独立性：

   • 贝叶斯网络的核心假设：每个节点在给定其父节点的条件下,独立于其非后代节点。
   • 更一般地，可以通过图的“d-分离”（d-separation）准则判断任意两组变量在给定第三组变量时是否条件独立。

构建与表示

• 构建网络需要：
  1. 确定相关变量及其可能取值。
  2. 根据领域知识或数据学习确定变量间的依赖结构（有向边）。
  3. 估计条件概率表（通过专家知识或数据学习）。

推理与计算

• 主要任务：在已知某些变量观测值（证据）的情况下,计算其他变量的后验概率分布。
• 典型查询：
  • 后验概率查询：求某个变量在证据下的概率。
  • 最大后验假设（MAP）：求最可能的变量组合。
• 推理算法：
  • 精确推理：变量消元、联结树算法等,但复杂度随网络结构增长。
  • 近似推理：蒙特卡洛方法（如吉布斯采样）、变分推断等,适用于大规模网络。

学习

• 结构学习：从数据中学习网络结构（有向边），方法有：
  • 基于约束的方法：使用独立性检验确定边。
  • 基于评分的方法：如BIC、AIC等,寻找最优评分结构。
  • 混合方法。
• 参数学习：已知结构下学习CPT，方法有：
  • 最大似然估计（MLE）。
  • 贝叶斯估计（如引入狄利克雷先验）。

特点与优势

• 直观表达因果关系：适合表示领域知识。
• 高效处理不确定性：通过概率推理整合证据。
• 模块化：局部条件概率易于理解和维护。
• 可解释性：图结构提供变量间关系的可视化。

应用领域

• 医疗诊断：症状与疾病的关系。
• 金融风险评估：因素间依赖建模。
• 自然语言处理：词性标注、语义分析。
• 生物信息学：基因调控网络。
• 智能系统：故障诊断、决策支持。

示例

假设一个简单的贝叶斯网络：天气 → 草地湿滑，洒水器 → 草地湿滑，节点“草地湿滑”有两个父节点（天气和洒水器），其CPT给出在天气和洒水器不同状态组合下草地湿滑的概率，已知草地湿滑,可以反向推断天气或洒水器的可能状态。

贝叶斯网络是一种强大的不确定性推理工具，将复杂系统的概率依赖以直观的图形表示,并支持高效的概率计算。

标签： 节点 随机变量