19 无向图模型（马尔科夫随机场）19.1 介绍在第十章,我们讨论了图形化模型(DGMs),通常称为贝叶斯网。
然而,对于某些域,需要选择一个方向的边即(DGM), 例如,考虑建模一个图像。
我们可能会假设相邻像素的强度值是相关的。
我们可以创建一个DAG模型的2D拓扑如图19.1所示。
这就是所谓的因果MRF或马尔可夫网。
然而,它的条件独立性通常不好。
另一种方法是使用anundirected图形化模型(UGM),也称为马尔可夫随机场(MRF)或马尔可夫网络。
这些不需要我们指定边缘方向,在处理一些问题,如图像分析和空间统计数据时显得更自然。
例如,一个无向二维点阵显示（如图19.1(b)）；现在每个节点的马尔科夫Blanket只是最近邻节点,正如我们在19.2节所示的那样。
粗略地讲,在建立在DGMs上的UGMs的主要优点是:(1)它们是对称的,因此对某些领域更“自然”,如空间或关系数据；(2)Discriminativel UGMs(又名条件随机域,或CRFs),它定义了条件概率密度p(y|x),要比Discriminativel UGMs更好，我们在19.6.1节中解释原因。
相比于DGMs，UGMs的主要缺点是:(1)参数是可很难解释及模块化程度较差,我们在19.3节解释原因;(2)参数估计计算代价更高,原因我们在19.5节解释。
19.2 UGMs的条件独立性19.2.1UGMs通过简单的图分离定义CI关系如下：对于节点集的A,B,C,我们说X A ⊥G X B | X C,如果从在图G中把A从B中分离出来。
这意味着，当我们删除所有C 中的节,如果在A上没有任何连接的路径到B，那么CI 属性holds。
这就是所谓的UGMs的全局马尔可夫性质。
例如,在图19.2(b),有{ 1,2 }⊥{ 6、7 } | { 3、4、5 }。
图19.1节点的节点集呈现t有条件地独立于所有其他节点图为t的马尔科夫blanket;我们将表示通过mb(t)。
正式,马尔可夫全面满足以下属性节点的集合呈现一个节点t条件独立于所有图中的其他节点被称为t的马尔可夫blanket;我们将通过MB（t）表示这一点。
从形式上看，马尔科夫blanket满足以下的特性：其中是结点t的闭节点。
可以证明，在一个UGM中，一个节点的马尔科夫blanket是其集近邻的节点。
这就是所谓的无向本地马尔科夫属性。
例如，在图19.2（b）中，有。
从局部马尔可夫属性，我们可以很容易地看到，两个节点是条件独立给出的其余部分，如果它们之间没有直接相连。
这就是所谓的马氏Pairwise属性。
符号上表示为:使用三马尔可夫特性我们已经讨论过，我们可以从UGM得出以下的CI特性（其中包括）很明显，全局马尔可夫给出了局部成对的这些马氏节点。
这是不太明显的，但尽管如此真实（假定对于所有的x ，P（x）> 0，即，p是一个正密度），Pairwise 意味着全局性的，因此，所有这些马尔可夫性质是相同的，如图图19.3（参考‘Koller and Friedman 2009, p119’的证明）。
这一结果的重要性在于，它通常更容易根据经验评估Pairwise条件独立性; 这种成对的CI声明可以用来构建一个从全局CI中提取出来的图。
19.2.2 从无向到D-Separation我们已经看到，检查 CI关系，在UGMs中要比DGMS容易得多，因为我们不必担心边的方向性。
在本节中，我们将展示如何在有向图中使用UGM检查CI关系。
人们很容易通过删除边简单地将有向图转化为无向图，但是这显然是不正确的，因为V型结构A→B←C相比于无向图中V型结构A-B-C有很不同的CI属性。
后者不正确地给出了A⊥C | B。
为了避免这种不正确的形式，我们可以在未连接的A和C之间添加边，然后从边上画箭头，成形无向全连通图。
这个过程被称为规范化(moralization)。
图19.2（b）给出了例子。
我们互连2和3，因为它们具有共同的子节点5，我们互连4，5和6，因为它们具有共同的子节点7。
不幸的是，教化失去了一些CI信息，因此我们不能使用规范化的UGM去检测DGM的CI属性。
例如，在图19.2（a）中，使用D-分离，我们看到4⊥5|2添加标准化弧4 - 5将失去这一性质（见图19.2（b））。
但是，请注意4-5的边，这表明可以用以下的方法来确定，如果A⊥B | C。
首先，我们形成DAG图U= A∪B∪C。
这意味着我们删除图中不在U中的所有节点或者不是U的祖先节点。
那么我们这个标准化原图，并应用了简单的分离规则UGMs。
例如，在图19.4（a）中，我们显示了原始图，图19.2（a）使用U={2，4,5}。
在图19.4（b）中，我们将展示这个图表的moralization版本。
很明显我们现在可以正确地得出结论，4⊥5|2。
19.2.3 比较有向和无向图模型哪种图有更强的“表现力”，有向图或无向图？正式搞清这个问题，回忆我们说G是一个I-MAP，概率分布为P，如果有I（G）⊆I（P）的话。
如果I（G）= I（P），则G是I-MAP的一个完美的映射，换言之，该图可以代表所有的（也是唯一的）的CI 分布的特性。
事实证明，DGMS和UGMs是不同分布集上完美的map（见图19.5）。
在这个意义上，两者都不是比谁更有强大的表示能力。
作为能够由DGM完美地模拟一些CI的关系的一个例子，考虑V结构A →C ←B，预示着A ⊥ B , 且A B | C，去掉箭头有A − C − B , A ⊥ B | C 且 A B。
事实上，没有一种UGM可以精确代表所有只由一个V型结构编码的两个CI statement。
在一般情况下，CI的属性在UGMs是单调的，如果A ⊥B | C , 则A ⊥B | ( C ∪ D )，但在DGMS，CI的属性可以是非单调的，通过变量调节可以消除条件独立。
作为能够完美地模拟由一个UGM CI的关系的一个例子，考虑图19.6所示的4个周期，正确表示了A ⊥C | B,D，然而B ⊥D | A又是不正确的，图19.6（c）是A ⊥ C | B,D另外一种错误情况， B ⊥D。
一些分布可以由DGM或UGM完美模拟;产生的图形被称为decomposable 或者叫弦。
粗略的说，这意味着：如每个最大团所有的变量坍塌，使“mega变量”，由此产生的图形将是一棵树。
当然，如果图形已经是一个树（包括比较特殊的“链”），这将是弦。
参见20.4.1节的细节。
19.3 MRFs参数化19.3.1 Hammersley-Cliford理论由于是无向图没有相关的拓扑排序，我们不能用链式法则来表示P（Y）。
所以，联想势函数SOR因子s与图中的每一个极大团。
我们给出势函数。
一个潜在的函数是一个参数为非负的函数。
可以证明任何正向分布，其CI的属性可以通过一个UGM表示。
定理19.3.1（Hammersley-Clifford），一个正向分布p(y) >0满足无向图G的CI属性，如果P能被一个最大团因子所表示。
其中C是图中所有最大团的集合，Z ( θ )是分割函数，分割函数确保所有分布和为1（证明未给）如果p满足CI属性，于是p可以写作如下形式：其中，UGMs和统计物理之间的深刻联系。
特别是，有一个被称为吉布斯分布的模型，该模型可以写成如下：是与团块c中的变量相关的能量，通过定义一下公式能够转换为UGMs图：我们看到，高概率状态对应于低能量配置。
这种形式的模型被称为以能量为基础的模型，并且通常用在物理学和生物化学以及机器学习的一些分支上。
注意，我们可以自由地参数化到图形的边，而不是最大小集团。
这就是所谓的成对MRF。
19.3.2 势函数的表示如果变量是离散的，我们能够用一张表格（非负值）来表示势函数，然而，这并不是概率，通过以下例子来看一下.通常用LOG函数来定义势函数：是的特征向量，LOG概率如下的形式：这就是著名的最大熵或者叫线性LOG模型例如，考虑MRF对，我们关联一个长度为K2的特征向量：每一个特征值都有一个权重，我们将其转化为K X K的势函数形式：所以我们看到，我们可以用对数线性形式很容易地表格化表示势。
为了说明为什么这是有用的，假设我们有兴趣做英文的概率模型拼写。
由于某些字母组合在一起会发生相当频繁（比如，“ING”），我们将需要更高阶的因子捕捉到这一点。
假设我们限制自己的trigrams。
一张表格潜力仍然有个参数。
另一种方法是定义一个寻找某些“特殊”的三元组指示器的功能，如“ING”，“qu- ”等，那么我们可以在每个trigrams下定义势：定义任意长度一个单词的概率：由此产生的一个问题是特征函数来自哪里，在许多应用中，它们是由手工创建，以反映领域知识（我们会看到后面的例子），但它也可以从数据学习他们，正如我们在19.5.6节讨论的那样。
19.4 MRFs的一些例子一些通过UGMs表示的例子19.4.1伊辛模型伊辛模型是MRF在统计物理学上的一个例子，通常用在描述磁力性质的模型上，给定y s∈{−1, +1}，代表一个原子的自旋，这可以被旋转向下或向上。
在一些磁铁，称为铁磁体，相邻的自旋倾向排列在相同的方向，而在其他类型的磁体上，称为反铁磁体，自旋和周围原子不同。
我们可以按如下这个模型作为磁流变。
在一个二维或三维晶格的形式创建的曲线图，并连接相邻的变量，如在图19.1（b）所示。
然后，我们定义以下两两团块的势：这里是节点s和t之间的耦合强度。
如果两个节点不连接图中，我们设置。
我们假设权重矩阵W是对称的，所以。
通常我们假设所有的边有相同的强度，所以的（假设）。
如果权值是正的，相邻原子的旋转貌似有相同的状态，这可以被用来建模铁磁体，并且是一个关联马尔可夫网络的一个例子。
如果权重是非常大，相应的概率分布将有两种模式，相应于所有的+1状态和全1的状态。
这些被称为系统的基态。
如果所有的权重为负，J<0，则自旋希望与周围不同，这可以被用来模拟一个反铁磁体，并导致一个“沮丧的系统”在其中不是所有的约束可以同时得到满足。
相应的概率分布将有多种模式。
有趣的是，计算分区functionZ（J）可以在多项式时间内通过马尔科夫网络来完成，但是一个NP难的问题。
有伊辛模型和高斯图形化模型之间一个有趣的比喻。
首先，假设，我们可以写一个伊辛模型非标准化的LOG概率，如下：修改后的分布其中，如果定义，重写这个公式有点像高斯公式的形式，19.4.2 Hopfield网络Hopfield网络是一个权完全对称的Ising模型，这些权重，加上偏置条件B，可以从训练数据中学习到，使用（近似值）最大似然，如第19.5节中描述的那样。
Hopfield神经网络的主要应用是作为联想记忆。
我们的想法是这样的：假设我们训练一套可完全观察的位向量，对应我们要记住的模式。