文章目录

1.引入无向图

1.1有向图的困境
1.2有向图和无向图得粗略对比

2. 无向图的一些条件独立性质

2.1 全局马尔可夫性质(关键性质)
2.2 无向图的局部马尔科夫性质
2.3 成对马尔科夫性质
2.4 性质总结

3. 无向图模型的参数

3.1 无向图模型的一个弊端
3.2 解决方案

3.2.1 团与最大团的定义
3.2.2 势函数(potential function)
3.2.3 Hammersley-Clifford定理

4. 无向图模型和统计物理学之间的联系
参考文献

1.引入无向图

1.1有向图的困境

对于一些领域来说，有向图模型表现得就会很尴尬，例如在为图像建模时，我们肯定假设相邻像素的强度值是相关的，如果使用有向图模型，不但把相邻节点包含进来，还包含一些其他节点(Markov Blanket,参考深入理解概率图模型(一))。这就比较尴尬，这时候我们就要考虑无向图模型了，我们可以用一种图来说明以下：

1.2有向图和无向图得粗略对比

相比有向图，无向图得主要优点有是：无向图的边是对称的，这对某些领域，例如图像处理很有用
相比有向图，无向图的主要缺点是：
①这些参数的可解释性较差，模块化程度也较低；
②参数估计的计算成本更高

2. 无向图的一些条件独立性质

2.1 全局马尔可夫性质(关键性质)

对于节点集合A,B,C，当且仅当C把A、B进行分离时，A⊥B|C.
这句话意思就是说：把集合C中所有节点都去掉之后，A,B之间没有任何连接。
这个性质被称为无向图的全局马尔科夫性质(Global Markov Property for UGMs)
举个栗子：

$\{ 1,2\} \bot \{ 6,7\} |\{ 3,4,5\}$
深入理解概率图模型(二)：无向图模型

2.2 无向图的局部马尔科夫性质

在无向图中，一个节点的马尔可夫毯子(Markov Blanket)就是该节点的直接邻居，根据Markov Blanket的定义，我们有：

$t \bot V\backslash cl(t)|mb(t)$

$cl(t) \triangleq mb(t) \cup \{ t\}$

2.3 成对马尔科夫性质

从局部马尔科夫性质我们可以推到出成对马尔科夫性质，他是这样定义的：
对于任意两个没有变连接的节点，给定剩下的节点，则这两个节点条件独立，即

$s \bot t|V\backslash \{ s,t\} \Leftrightarrow {G_{st}} = 0$

2.4 性质总结

很明显，全局马尔可夫(G)隐含局部马尔可夫，局部马尔可夫(L)隐含成对马尔可夫§。
可以证明，他们是等价的,即

$G \Leftrightarrow L \Leftrightarrow P$

3. 无向图模型的参数

3.1 无向图模型的一个弊端

尽管无向图模型的条件独立性质比(CI)有向图模型要简单的多，但是，在表示联合概率时，无向图就很逊色，这也是无向图的一个弊端。

3.2 解决方案

3.2.1 团与最大团的定义

无向图G中任何两个节点均有边连接的节点子集称为团(Clique)。若C是无向图G的一个团，并且不能再加进去任何一个G的节点使其成为一个更大的团，则称C为最大团(Maximual clique)

3.2.2 势函数(potential function)

我们在图G中的每一个最大团定义一个势函数，我们将最大团c的势函数表示为如下：

${\psi _c}({y_c}|{\theta _c})$

势函数可以为关于参数的任意非负函数。
从而我们将联合概率分布定义为：正比于所有团上势函数的乘积

3.2.3 Hammersley-Clifford定理

一个正的分布p(y) > 0 满足无向图G的条件独立性质当且仅当p可以被表示为因子的乘积，每一项因子为一个最大团上的势函数乘积，即

$p(y|\theta ) = \frac{1}{{Z(\theta )}}\prod\limits_{c \in C} {{\psi _c}({y_c}|{\theta _c})}$
其中，C是(最大)团的集合，Z（θ）是归一化因子也成为划分函数，定义如下：

$Z(\theta ) \triangleq \sum\limits_x {\prod\limits_{c \in C} {{\psi _c}({y_c}|{\theta _c})} }$

4. 无向图模型和统计物理学之间的联系

无向图模型和统计物理学有着很深的联系。具体地，有一个模型叫做吉布斯分布(Gibbs distribution)，它可以被写成如下形式：

$p(y|\theta ) = \frac{1}{{Z(\theta )}}\exp ( - \sum\limits_c {E({y_c}|{\theta _c})} )$
其中E(yc)>0,是关于团c中变量的一种能量，我们可以把这个模型转换为无向图模型(UGMs)通过定义势函数如下：

${\psi _c}({y_c}|{\theta _c}) = \exp ( - \sum\limits_c {E({y_c}|{\theta _c})} )$
我们看到高概率态对应于低能组态。这种模型经常被应用在物理学中(Ising Model)

有一点需要注意以下：我们可以*地将参数化限制在图的边，而不是最大团，这个性质被称为逐对马尔可夫随机场(Pairwise MRFs)

$p(y|\theta ) \propto {\psi _{12}}({y_1},{y_2}){\psi _{13}}({y_1},{y_3}){\psi _{23}}({y_2},{y_3}){\psi _{24}}({y_2},{y_4})...{\psi _{35}}({y_3},{y_5})$
深入理解概率图模型(二)：无向图模型

这种形式由于它的简单性被被广泛的应用，但它不作为联合概率的一般形式。

参考文献

《Machine Learning A Probability Perspective》
《统计学方法，李航》

秒客网

深入理解概率图模型(二)：无向图模型