베이지안 네트워크에서 마르코프 블랭킷 대 정상적인 의존성

Bayesian 네트워크에 대해 읽는 동안 " Markov blanket "이라는 용어가 나오고 Bayesian 네트워크 그래프에서 독립성과 심각하게 혼동되었습니다.

Markov 담요는 간단히 모든 노드는 부모, 자녀 및 부모에게만 의존한다고 말합니다 (그림에서 노드 A의 회색 영역입니다).

마르코프 담요

이 BN, $P(M,S,G,I,B,R)$ 의 결합 확률은 얼마입니까?

_{(출처 : aiqus.com )}

단계 부모 만 독립 규칙을 따르는 경우 다음과 같습니다.

P (M | S) P (S | G, I) P (I | B) P (R | B) P (G) P (B)

$P(M | S)P(S | G,I)P(I | B)P(R | B)P(G)P(B)$

$P(I|\mathbf{G},B)$

P (M | S) P (S | G, I) P (I | G, B) P (R | B) P (G) P (B)

$P(M | S)P(S | G,I)P(I | \mathbf{G},B)P(R | B)P(G)P(B)$

그렇다면이 BN의 정확한 관절 확률은 어느 것입니까?

업데이트 : AIQUS 에서이 질문의 크로스 링크

과

각 장과 다이어그램은 다음과 같습니다.

대체 텍스트 http://img828.imageshack.us/img828/9783/img0103s.png

대체 텍스트 http://img406.imageshack.us/img406/3788/img0104l.png

bayesian bayesian-network

— 외주 르
소스

링크가 모두 끊어졌습니다. 업데이트 할 수 있습니까?

— Lerner Zhang

첫 파생이 맞습니다!

"시작"또는 "이동"을 관찰하지 않았으므로 "점화"는 "가스"와 무관합니다. 여기서 쓰는 것은 일련의 관측치가 주어진 특정 노드의 확률을 계산하는 방법이 아니라 관절 분포의 인수 분해입니다.

Markov Blanket의 말에 따르면 베이지안 네트워크의 임의 변수에 대한 모든 정보는이 노드 집합 (부모, 자녀 및 자녀의 부모)에 포함되어 있습니다. 즉, 모든 THESE 변수를 관찰하면 노드는 네트워크 내의 다른 모든 노드와 독립적입니다.

베이지안 네트워크 내 종속성에 대한 자세한 내용은 D- 분리 개념을 찾아보십시오 .

— 새긴 금
소스

답을 위해 thabks. 그러나 내가 준 위키 페이지를 보았습니까? 조건부 확률 예를 보여줍니다. 모든 MB 노드가 변수에 의존한다는 것을 암시합니다.

— Özgür

위키 페이지가 올바른 것 같습니다. Markov Blanket은 나머지 네트워크로부터의 보호막이므로, 해당 '방패'값을 알고 있으면 네트워크의 다른 변수가 A에 대한 추가 정보를 제공하지 않습니다. 여기서 핵심은 우리가 그 값들을 관찰 할 때 발생합니다. 이것은 BN의 구조를 고려할 때 관절의 인수 분해를 변경하지 않습니다.

— Nick