作者:相国大人
写这篇博文用了很多时间和精力,如果这篇博文对你有帮助,希望您可以打赏给博主相国大人。哪怕只捐1毛钱,也是一种心意。通过这样的方式,也可以培养整个行业的知识产权意识。我可以和您建立更多的联系,并且在相关领域提供给您更多的资料和技术支持。
附:《春天里,我们的拉萨儿童图书馆,需要大家的帮助》
概率图模型系列博文目录(实时更新)
概率图模型1:隐马尔科夫(1)
概率图模型1:隐马尔科夫(2)
概率图模型1:隐马尔科夫(3)
概率图模型4:贝叶斯网络
概率图模型5:无向图入门
概率图模型6:条件随机场(1)
假定 D 表示随机变量集合,因子 ϕ 定义为从 Val(D) 映射到实数域 R 的一个函数。假如因子的所有表值均非负,那么这个因子称为非负的。变量集 D 称为因子的辖域.
具体来讲,你可以简单地把因子想象为集合 D={X1,X2,⋯,Xn} 的联合概率(当然,未必是联合概率,也可能是其他形式的局部概率,等等)特别的,令 X,Y,Z 为三个不相交的变量集,且令 ϕ1(X,Y),ϕ2(Y,Z) 是两个因子。因子的乘积 ϕ1×ϕ2 定义为新的因子: ψ:Val(X,Y,Z)↦R :
ψ(X,Y,Z)=ϕ1(X,Y)×ϕ(Y,Z) ,关于因子的更多介绍,我们在上一篇博文中讲贝叶斯网络的时候,详细讨论过。这里不再多做解释。
假如分布 Pϕ 定义为:
其中:
PPϕ^(X1,X2,⋯,Xn)=ϕ1(D1)×ϕ2(D2)×⋯×ϕm(Dm) , Di 为变量集合的一个划分。
Z=∑X1,⋯,XnPϕ^(X1,X2,⋯,Xn) ,为规范化因子。
则,分布 Pϕ 成为因子集 ϕ=ϕ1(D1),⋯,ϕk(Dk) 参数化的吉布斯分布
特别的,如果上面的定义中 Di 为无向图的最大团。那么式子 (1) 即为无向图联合概率分布的因子分解。函数 ϕi(Di) 称为势函数,通常要求为严格正的,一般定义为: