확률적 그래픽 모델변수의 확률적 종속성을 그래프를 사용하여 표현하는 이론입니다. 확률론과 그래프 이론에 대한 지식을 통합하고 그래프를 사용하여 관련 변수의 결합 확률 분포를 표현합니다.

확률적 그래픽 모델 이론은 다음 세 가지 범주로 나눌 수 있습니다.

• 확률적 그래픽 모델의 표현 이론
• 확률적 그래픽 모델 추론 이론
• 확률적 그래픽 모델 학습 이론

확률적 그래픽 모델의 기본 문제

• 표현 문제: 확률적 모델의 경우, 그래프 구조를 통해 변수 간의 종속 관계를 어떻게 설명할 수 있을까?
• 추론 문제: 몇 가지 알려진 변수가 주어졌을 때 다른 변수의 사후 확률 분포를 계산합니다.
• 학습 문제: 그래프 모델 학습에는 그래프 구조 학습과 학습 매개변수 학습이 포함됩니다.

확률적 그래픽 모델의 분류

에지에 방향성이 있는지 여부에 따른 분류:

• 방향성 그래프 모델은 베이지안 네트워크(BN)라고도 하며, 네트워크 구조로 방향성 비순환 그래프를 사용합니다.
• 무향 그래프 모델은 마르코프 네트워크(MN)라고도 하며, 무향 그래프 구조를 가지고 있습니다.
• 로컬 지향 모델, 즉 지향성 에지와 비지향성 에지를 모두 갖춘 모델에는 조건부 난수 필드(CRF)와 체인그래프가 포함됩니다.

표현된 추상화의 다양한 수준에 따라:

• 베이지안 네트워크, 마르코프 네트워크, 조건부 난수장, 체인 그래프와 같은 난수 변수를 기반으로 한 확률적 그래픽 모델
• 템플릿 기반 확률적 그래픽 모델. 이러한 유형의 모델은 다양한 응용 프로그램 시나리오에 따라 두 가지 유형으로 나눌 수 있습니다.
• 동적 베이지안 네트워크와 상태 관찰 모델을 포함하는 과도 모델. 여기서 상태 관찰 모델에는 선형 동적 시스템과 은닉 마르코프 모델이 포함됩니다.
• 디스크 모델, 확률적 관계 모델, 관계형 마르코프 네트워크를 포함한 객체-관계 도메인의 확률적 그래픽 모델입니다.

하위 용어: 베이지안 네트워크, 마르코프 난수 필드