概率图模型(PGM)里的有向分离(D-separation)

有向分离(Directed Separation)是图论中的概念,在PGM中也有着重要的作用。

D-separation和前一篇博文PGM中的条件独立(Conditional Independent)有很大的联系。


回顾:

  1. 顺连结构:x—>z—>y,x和y关于z条件独立。
  2. 分连结构:x<—z—>y,x和y关于Z条件独立。
  3. 汇连结构:x—>z<—y,x和y边缘独立。若已知结果z反而可能不独立。

相关概念:

阻塞(Block)
设X,Y,Z分别是一个有向无环图(Directed Acyclic Graph)G里互没有交集的节点集(set),Z阻塞X中的任一个节点到Y中的任一个节点的通路(Z blocks every paths from a node in X to a node in Y),当且仅当节点集Z满足如下条件:
  1. 如果G中有顺连结构x—>z—>y或分连结构x<—z—>y,则节点z包含在集合Z中;
  2. 如果G中有汇连结构x—>z<—y,则节点z及其后裔节点(descendants)一定不包含在集合Z中。

有向分离(D-separation)
如果集合Z阻塞X到Y中的任何一条通路(path),则称在这个DAG里,集合Z有向分离X和Y。也称Z 为X和Y的切割集

如果一个路径不是有向分离的,则称其为有向连接的(D-connected)

总结:

整体markov性
前面一篇在条件独立的基础上介绍了局部markov性。和局部markov性一样,整体markov性也和条件独立有关,正如字面含义一样,从整个DAG来讲它比局部markov性更广泛地概括了独立的概念,具体如下:

设X和Y是DAG中的两个节点变量集,Z是G中不包含X和Y的节点集合,如果Z有向分离(D-separate)X和Y,则X和Y在给定Z时条件独立,。否则,称在给定集合Z下集合X和Y依赖。

条件独立是概率论中的概念,有向分离是图论中的概念,局部markov性和整体markov性将两个概念融为一体,揭示了图论和概率论之间的联系。

你可能感兴趣的:(block,DAG,PGM,D-Separation,有向分离)