《概率图原理与技术》笔记
上传防丢,未完待续,可能不续。。。
注:笔记在Koller全书笔记
文件夹下,markdown写的,建议离线用编辑器打开,部分图片显示不出来的直接在pic
文件夹,可能路径有问题,直接看看就行。
-
第一章 引言
-
-
1.1 动机
-
1.2 结构化概率模型
-
- 1.2.1 概率图模型
- 1.2.2 表示、推理、学习
-
1.3 概述和路线图
-
-
第二章 基础知识
-
-
2.1 概率论
-
- 2.1.1 概率分布
- 2.1.2 概率中的基本概念
- 2.1.3 随机变量与联合分布
- 2.1.4 独立性与条件独立
- 2.1.5 分布查询
- 2.1.6 连续空间
- 2.1.7 期望与方差
-
2.2 图
-
- 2.2.1 节点与边
- 2.2.2 子图
- 2.2.3 路径和迹
- 2.2.4 圈与环
-
-
第三章 贝叶斯网表示
-
-
3.1 独立性性质的利用
-
-
3.1.1 随机变量的独立性
-
3.1.2 条件参数化方法
-
3.1.3 朴素贝叶斯模型
-
- 3.1.3.1 学生示例
- 3.1.3.2 一般模型
-
-
3.2 贝叶斯网
-
-
3.2.1 学生示例
-
- 3.2.1.1 模型建立
- 3.2.1.2 推理模式
-
3.2.2 贝叶斯网的基本独立性
-
- 3.2.2.1 学生示例中的独立性
- 3.2.2.2 贝叶斯网语义
-
3.2.3 图与分布
-
- 3.2.3.1 I-Map(independency map)
- 3.2.3.2 I-map到因子分解
- 3.2.3.3 因子分解到I-map
-
-
3.3 图中的独立性
-
-
- 3.3.1 d-分离
- 3.3.1 可靠性与完备性
- 3.3.1 d-分离算法
-
3.3.4 I-等价
-
-
3.4 从分布到图
-
- 3.4.1 最小I-map
- 3.4.2 P-map
-
-
第四章 无向图模型
-
-
4.1 误解示例
-
4.2 参数化
-
- 4.2.1 因子
- 4.2.2 吉布斯分布与马尔可夫网
- 4.2.3 简化的马尔可夫网
-
4.3 马尔可夫网的独立性
-
-
4.3.1 基本独立性
-
4.3.2 独立性回顾
-
- 4.3.2.1 局部马尔可夫假设
- 4.3.2.2 马尔可夫性质之间的关系
-
4.3.3 从分布到图
-
-
4.4 参数化回顾
-
-
4.4.1 细粒度参数化方法
-
- 4.4.1.1 因子图
- 4.4.1.2 对数线性模型
- 4.4.1.3 讨论
-
4.4.2 过参数化
-
-
4.5 贝叶斯网与马尔可夫网
-
-
第五章 局部概率模型
-
-
5.1 CPD表
-
5.2 确定性CPD
-
- 5.2.1 表示
- 5.2.2 独立性
-
5.3 特定上下文CPD
-
-
5.3.1 表示
-
- 5.3.1.1 树-CPD
- 5.3.1.2 规则CPD
- 5.3.1.3 其他表示
-
5.3.2 独立性
-
-
5.4 因果影响的独立性
-
-
5.4.1 Noisy-or模型
-
5.4.2 广义线性模型
-
- 5.4.2.1 二值变量
- 5.4.2.2 多值变量
-
5.4.3 一般化公式表示
-
5.4.4 独立性
-
-
5.5 连续变量
-
- 5.5.1 混合模型
-
5.6 条件贝叶斯网
-
-
第六章 基于模板的表示
-
-
6.1 引言
-
6.2 时序模型
-
-
6.2.1 基本假设
-
6.2.2 动态贝叶斯网
-
6.2.3 状态-观测模型
-
- 6.2.3.1 隐马尔可夫模型
- 6.2.3.2 线性动态系统
-
-
6.3 模板变量与模板因子
-
6.4 对象-关系领域的有向概率模型
-
- 6.4.1 Plate模型
- 6.4.2 概率关系模型
-
6.5 无向表示
-
6.6 结构的不确定性
-
-
第七章 高斯网络模型
-
-
7.1 多元高斯分布
-
- 7.1.1 基本参数化方法
- 7.1.2 高斯分布的运算
- 7.1.3 高斯分布的独立性
-
7.2 高斯贝叶斯网
-
7.3 高斯马尔可夫随机场
-
-
第八章 指数族
-
-
8.1 引言
-
8.2 指数族
-
- 8.2.1 线性指数族
-
8.3 因式化的指数族(factored exponential families)
-
- 8.3.1 乘积分布
- 8.3.2 贝叶斯网
-
8.4 熵和相对熵
-
-
8.4.1 熵
-
- 8.4.1.1 指数模型的熵
- 8.4.1.2 贝叶斯网的熵
-
8.4.2 相对熵
-
-
8.5 投影
-
- 8.5.1 比较
- 8.5.2 M-投影
- 8.5.3 I-投影
-
-
第九章 精确推理:变量消除
-
-
9.1 复杂性分析
-
9.2 变量消除:基本思路
-
9.3 变量消除
-
-
9.3.1 基本消除
-
- 9.3.1.1 因子边缘化
- 9.3.1.2 变量消除算法
- 9.3.1.3 因子语义
-
9.3.2 证据处理
-
-
9.4 复杂度与图结构:变量消除
-
-
9.4.1 简单分析
-
9.4.2 图论分析
-
- 9.4.2.1 因子与无向图
- 9.4.2.2 作为图变换的消除
- 9.4.2.3 导出图
-
9.4.3 寻找消除顺序
-
-
9.5 条件作用
-
-
第十章 精确推理:团树
-
-
10.1 变量消除与团树
-
- 10.1.1 聚类图
- 10.1.2 团树
-
10.2 消息传递:和积
-
-
10.2.1 团树中的变量消除
-
- 10.2.1.1 一个例子(重要)
- 10.2.1.2 团树消息传递
- 10.2.1.3 正确性
-
10.2.2 团树校准
-
10.2.3 将校准团树作为一个分布
-
-
10.3 消息传递:置信更新
-
- 10.3.1 使用除法的消息传递
- 10.3.3 回答查询
-
10.4 构建一个树
-
- 10.4.1 源自变量消除的团树
- 10.4.2 源自弦图的团树
-
-
第十一章 作为优化的推理
-
-
11.1 从推理到优化
-
11.2 作为优化的精确推理
-
11.3 基于传播的近似
-
-
11.3.1 一个引例
-
11.3.2 聚类图置信传播
-
11.3.3 聚类图置信传播的性质
-
- 11.3.3.1 重参数化
- 11.3.3.2 树的一致性
-
11.3.4 收敛性分析
-
11.3.5 构建聚类图
-
- 11.3.5.1 成对马尔可夫网
- 11.3.5.2 Bethe聚类图
- 11.3.5.3 边缘概率之外
-
11.3.6 变分分析
-
11.3.7 其他熵近似
-
11.3.8 讨论
-
-
11.4 近似消息传播
-
- 11.4.4 期望传播
-
11.5 结构化的变分近似
-
- 11.5.1 平均场近似
-
同时借鉴参考的内容包括:
- 白板推导大佬
- Koller原书
- PRML
- 公开课(Eric Xing,Koller,徐亦达)
- 网上课件