tags: note

notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation

---

斯坦福-随机图模型-week3.0

马尔科夫网络

pairwise markov networks 成对马尔科夫模型

图论模型中有有向图和无向图，对于无向图来说，运用到随机图论中就是马尔科夫模型。

在马尔科夫模型中，有一种模型十分有趣，他是成对马尔科夫模型。

我们首先看一个例子：

四个学生同时进行学习，并且他们会相互进行影响。

infinity function / compatibility funcutions.

加入老师再课堂上出现了一次口误，那个他们中的误解是如何进行相互影响的呢？

这个表格描述了两个人的快乐程度，如果两个人都听对了，那么他们都会获得30的快乐程度，如果两个人都听错了，那么他们的快乐程度也会很高。如果一个人听对了另外一个人听错了，那么他们的快乐程度就会相对比较低。

同样的我们可以为所有的联系都定义他们的快乐程度：

我们可以将所有的快乐程度相乘起来来获得一个综合的指数：

然后我们就可以对所有的幸福程度进行汇总，然后乘以相应的归一化系数，将他的和归为1。

好的我们现在可以讨论下理论上的事情了：

相关的术语

1. 边界概率
2. 条件概率
3. 边界概率的条件概率

正常吉布斯分布

假设再一个全部互联的马尔科夫模型中。

我们考虑一个问题

**再一个全互联的马尔科夫网络中，如果共有n个变量，每个变量有d个值，那么一共需要多少参数才能描述我们的马尔科夫网络呢。

这个问题我们这样分析他，我们有个边，因此关联的矩阵的边长是d

所以我们有。

吉布斯分布式用来简便的生成这些参数的。

我们使用标准参数

就是再重复我们前面例子里的工作，我们通过定义每条边的情况定义所有的gibbs因子：

然后把他们乘在一起：

然后我们对得到的数据进行标准化

触发形马尔科夫网络

触发形马尔科夫网络是一种，形成环的网络，比如是这样：

在上图中分别描述了

和形成的环

因子化

直接使用问题讨论：

上面这三个都是正确的，因为他们都能表示相应的拓扑结构。

条件随机领域

原文地址：https://www.cnblogs.com/zangzelin/p/8575258.html