Koc Markowa - Markov blanket
W statystyce i uczeniu maszynowym , gdy chce się wywnioskować zmienną losową ze zbiorem zmiennych, zwykle wystarczy podzbiór, a inne zmienne są bezużyteczne. Taki podzbiór, który zawiera wszystkie przydatne informacje, nazywany jest kocem Markowa . Jeśli koc Markowa jest minimalny, co oznacza, że nie może porzucić żadnej zmiennej bez utraty informacji, nazywa się go granicą Markowa . Zidentyfikowanie koca Markowa lub granicy Markowa pomaga wyodrębnić przydatne funkcje. Terminy koca Markowa i granicy Markowa zostały ukute przez Judea Pearl w 1988 roku.
Koc Markowa
Markowa koc zmiennej losowej w zmiennej losowej zestaw jest dowolny podzbiór stanowi , klimatyzowane, w którym pozostałe zmienne są niezależne z :
Oznacza to, że zawiera przynajmniej wszystkie informacje, które należy wyciągnąć , gdzie zmienne są zbędne.
Ogólnie rzecz biorąc, dany koc Markowa nie jest wyjątkowy. Każdy zestaw zawierający koc Markowa jest również samym kocem Markowa. W szczególności jest to koc Markowa w .
Granica Markowa
Markowa granica od w to podzbiór o , który sam w sobie jest Markov koc , ale każdy właściwy podzbiór nie jest Markov koc . Innymi słowy, granica Markowa to minimalny koc Markowa.
Granica Markowa węzła w sieci bayesowskiej to zbiór węzłów składający się z rodziców, dzieci i innych rodziców dzieci dzieci. W polu losowym Markowa granicą Markowa dla węzła jest zbiór sąsiednich węzłów. W sieci zależności granicą Markowa węzła jest zbiór jego elementów nadrzędnych.
Wyjątkowość granicy Markowa
Granica Markowa zawsze istnieje. W pewnych łagodnych warunkach granica Markowa jest wyjątkowa. Jednak w przypadku większości scenariuszy praktycznych i teoretycznych wiele granic Markowa może zapewnić alternatywne rozwiązania. Gdy istnieje wiele granic Markowa, wielkości mierzące efekt przyczynowy mogą zawieść.
Zobacz też
- Andrey Markov
- Minimalizacja darmowej energii
- Wykres moralny
- Rozdzielenie obaw
- Przyczynowość
- Wnioskowania przyczynowego
Uwagi
- ^ Pearl, Judea (1988). Rozumowanie probabilistyczne w systemach inteligentnych: sieci wiarygodnego wnioskowania . Seria reprezentacji i rozumowania. San Mateo CA: Morgan Kaufmann. ISBN 0-934613-73-7 . CS1 maint: zniechęcony parametr ( link )
- ^ Statnikov, Alexander; Lytkin, Nikita I .; Lemeire, Jan; Aliferis, Constantin F. (2013). „Algorytmy wykrywania wielu granic Markowa” (PDF) . Journal of Machine Learning Research . 14 : 499–566.
- ^ Wang, Yue; Wang, Linbo (2020). „Wnioskowanie przyczynowe w zdegenerowanych systemach: wynik niemożliwości” . Materiały z 23. międzynarodowej konferencji nt. Sztucznej inteligencji i statystyki : 3383–3392.