Answers:
从严格意义上讲,图论似乎与PGM之间存在松散的联系。但是,图算法很方便。PGM从消息传递推理开始,这是图形上消息传递算法的一般类的子集(可能就是其中的“图形”一词的原因)。图割算法被广泛用于计算机视觉中的马尔可夫随机场推理;它们基于类似于Ford–Fulkerson定理的结果(最大流量等于最小割限);最受欢迎的算法可能是Boykov–Kolmogorov和IBFS。
参考文献。[Murphy,2012年,第22.6.3节]涵盖了用于MAP推理的图割用法。另见[Kolmogorom和Zabih,2004年;Boykov等人,PAMI,2001年),它涵盖了优化而不是建模。
已经进行了一些工作来研究低密度奇偶校验码的易解码性(当您将其视为概率图并应用Loopy Belief传播时会得到极好的结果)与奇偶校验矩阵形成的图的周长之间的联系。 。这种与周长的联系可以追溯到LDPC发明之初[1],但是在Mackay等人[4]分别重新发现LDPC之后,在过去的十年左右[2] [3]中还有进一步的工作。 。
我经常看到Pearl关于信念传播收敛时间的评论,这取决于所引用图形的直径。但是我不知道有什么工作可以研究非树形图中的图形直径及其产生的影响。
图算法在概率图形模型中的一种成功应用是Chow-Liu算法。它基于最大生成树(MST)算法解决了寻找最佳(树)图结构的问题。
树图形模型上的联合概率可以写为: 我们可以写出归一化的对数似然性,如下所示: 其中,是给定经验最大似然(ML)的和之间的互信息计算节点处于状态的次数的分布。由于第一项独立于拓扑 1
通过计算最大权重生成树使对数似然最大化,其中边缘权重是成对的互信息项。可以使用Prim算法和Kruskal算法找到最大权重生成树。