A Markov - hálózat , Markov véletlenmező vagy irányítatlan gráfmodell olyan gráfmodell , amelyben a valószínűségi változók halmaza rendelkezik az irányítatlan gráf által leírt Markov - tulajdonsággal . A Markov-hálózat a valószínűségi változók közötti függőségek ábrázolásában különbözik egy másik gráfmodelltől, a Bayes-hálózattól . Kifejezhet néhány függőséget, amelyet a Bayes-hálózat nem tud kifejezni (például ciklikus függőségek); másrészt nem tud másokat kifejezni. A Markov-hálózat prototípusa az anyagmágnesezés Ising-modellje volt a statisztikai fizikában : A Markov-hálózatot ennek a modellnek az általánosításaként mutatták be . [egy]
Adott egy irányítatlan G = ( V , E ) gráf, akkor a V -vel indexelt ( X v ) v ∈ V valószínűségi változók halmaza Markov véletlenszerű mezőt alkot G -hez képest, ha kielégítik a következő ekvivalens Markov-tulajdonságokat:
Pár tulajdonság : Bármely két nem szomszédos változó feltételesen független, figyelembe véve az összes többi változót: Lokális tulajdonság : a változó feltételesen független minden más értéktől, a szomszédai alapján: ahol ne( v ) V szomszédainak halmaza , és cl( v ) = { v } ∪ ne( v ) v zárt környezete . Globális tulajdonság : A változók bármely két részhalmaza feltételesen független, tekintettel az elválasztó részhalmazra: ahol az A -beli csomóponttól a B -beli csomópontig minden út S - en halad át .Más szavakkal, egy G gráfról azt mondjuk, hogy egy Markov-féle véletlenszerű mező a P ( X = x ) közös eloszlású valószínűségek tekintetében X valószínűségi változók halmazán, akkor és csak akkor, ha a G gráf felosztása feltételes függetlenséget jelent: Ha két csomópont és G -ben felosztva, miután eltávolítottuk a Z csomópontok G halmazából , akkor P ( x = x ) ezt kell, hogy állítsa, és feltételesen függetlenek a Z -nek megfelelő valószínűségi változók alapján . Ha ez a feltétel teljesül, akkor G -t a valószínűségi eloszlás független leképezésének (vagy I-térképének) nevezzük .
Sok definíció azt is megköveteli, hogy G legyen egy minimális I-térkép, azaz olyan I-térkép, amelyből az egyik élt eltávolítjuk, és megszűnik I-térkép lenni. (Ez egy ésszerű követelmény, mivel ez a lehető legkevesebb függőséget tartalmazó legkompaktabb ábrázoláshoz vezet; vegye figyelembe, hogy a teljes gráf egy triviális I-térkép.) Abban az esetben, ha G nem csak egy I-térkép (azaz az, nem képvisel olyan függetlenségeket, amelyeket nem ad meg P ( X = x )), de nem reprezentálja azokat a függőségeket sem, amelyek nem szerepelnek P -ben ( X = x ), G -t tökéletes térképnek (tökéletes térképnek) nevezzük P ( X = x ). A P -vel meghatározott függetlenségek halmazát reprezentálja ( X = x ).
Mivel egy tetszőleges valószínűségi eloszlás Markov-tulajdonságait nehéz megállapítani, van egy széles körben használt Markov-féle véletlenmező, amely a gráf klikkjei szerint faktorizálható. Az X = ( X v ) v ∈ V valószínűségi változók halmaza, amelyekre az illesztési sűrűség faktorizálható a G klikkeken :
Markov véletlenszerű mezőt képez G -hez képest , ahol cl( G ) a G klikkjeinek halmaza (a definíció ekvivalens, ha csak maximális klikkeket használunk). A φ C függvényeket gyakran faktorpotenciáloknak vagy klikkpotenciáloknak nevezik. Bár vannak olyan MRF-ek, amelyek nem bomlanak le (egy egyszerű példa 4 csomópontos hurokra építhető [2] ), bizonyos esetekben bizonyíthatóan egyenértékű állapotúak:
Ha létezik ilyen dekompozíció, létrehozhatunk egy faktorgráfot a hálózathoz.
A függvényt a teljes együttes eloszlás függvényében használó Markov véletlenmező logisztikai modellje így írható fel
elosztási funkcióval
ahol az összes hálózat valószínűségi változói értékeinek lehetséges eloszlásának halmaza.
Egy Markov véletlenmező többváltozós normális eloszlásának formái egy G = ( V , E ) gráfra, ha a hiányzó élek a precíziós mátrixban (inverz kovarianciamátrix ) nulláknak felelnek meg :
[3]Grafikon valószínűségi modellek | |
---|---|
|
Gépi tanulás és adatbányászat | |
---|---|
Feladatok | |
Tanulás tanárral | |
klaszteranalízis | |
Dimenziócsökkentés | |
Strukturális előrejelzés | |
Anomália észlelése | |
Grafikon valószínűségi modellek | |
Neurális hálózatok | |
Megerősítő tanulás |
|
Elmélet | |
Folyóiratok és konferenciák |
|