面向专家的贝叶斯推理网络解释

贝叶斯推理网络是一种概率图模型，通过有向无环图（DAG）\(G = (V, E)\)表示一组随机变量 \(X = \{X_1, X_2, ..., X_n\}\)，其中每个节点 \(v_i \in V\) 对应一个变量 \(X_i\)。

联合概率分布可以根据DAG的结构通过因式分解表示为：

\[ P(X_1, X_2, ..., X_n) = \prod_{i=1}^n P(X_i \mid ext{Pa}(X_i)) \]

其中 \( ext{Pa}(X_i)\) 是 \(X_i\) 的父节点。

贝叶斯网络中的推理包括计算条件概率，例如带有证据 \(E\) 的 \(P(X_i \mid E)\)，这可以通过精确或近似算法实现。

贝叶斯网络形式上定义为三元组 \((G, \Theta)\)，其中图 \(G\) 和条件概率分布的参数集 \(\Theta\)。

定义：
“贝叶斯推理网络是一个有向无环图，表示一组变量联合概率分布的因式分解，基于它们的条件独立性，并支持概率推理。”

来源：
Jensen, F. V., & Nielsen, T. D. (2007). Bayesian Networks and Decision Graphs. Springer.