एक संभाव्य चित्रमय मॉडल (PGM) संयुक्त रूप से यादृच्छिक चर के सेट पर कॉम्पैक्ट रूप से संयुक्त संभावना वितरण और (पर निर्भरता संबंधों ) के लिए एक ग्राफ औपचारिकता है। एक पीजीएम को बायेसियन नेटवर्क कहा जाता है जब अंतर्निहित ग्राफ को निर्देशित किया जाता है, और एक मार्कोव नेटवर्क / मार्कोव यादृच्छिक क्षेत्रजब अंतर्निहित ग्राफ अप्रत्यक्ष है। आम तौर पर, आप पूर्व दिशाओं के बीच संभाव्य प्रभाव के लिए पूर्व मॉडल का उपयोग करते हैं जिसमें स्पष्ट दिशात्मकता होती है, अन्यथा आप बाद वाले का उपयोग करते हैं; पीजीएम के दोनों संस्करणों में, संबंधित ग्राफ़ में किनारों की कमी एन्कोडेड वितरण में सशर्त स्वतंत्रताओं का प्रतिनिधित्व करती है, हालांकि उनके सटीक शब्दार्थ भिन्न होते हैं। "मार्कोव नेटवर्क" में "मार्कोव" पीजीएम द्वारा एन्कोड की गई सशर्त स्वतंत्रता की एक सामान्य धारणा को संदर्भित करता है, जो कि यादृच्छिक चर के एक सेट से स्वतंत्र है दूसरों के द्वारा "महत्वपूर्ण" कुछ सेट दिए गए हैं (तकनीकी नाम एक मार्कोव है कंबल ), यानी ।xAxCxBp(xA|xB,xC)=p(xA|xB)
एक मार्कोव प्रक्रिया किसी भी स्टोकेस्टिक प्रक्रिया है कि संतुष्ट मार्कोव संपत्ति । यहाँ जोर (स्केलर) यादृच्छिक चर आमतौर पर समय के साथ अनुक्रमित होने के बारे में सोचा जाता है, जो एक विशिष्ट प्रकार की सशर्त स्वतंत्रता को संतुष्ट करता है, अर्थात, "भविष्य अतीत से स्वतंत्र है वर्तमान दिया गया ", मोटे तौर पर । यह PGMs द्वारा परिभाषित 'मार्कोव' धारणा का एक विशेष मामला है: बस सेट , और को का कोई भी उपसमूह लें। और पिछले कथन का आह्वान करें{Xt}X1,X2,X3,...p(xt+1|xt,xt−1,...,x1)=p(xt+1|xt)A={t+1},B={t}C{t−1,t−2,...,1}p(xA|xB,xC)=p(xA|xB) । इससे हम देखते हैं कि किसी भी चर का मार्कोव कंबल इसका पूर्ववर्ती ।Xt+1Xt
इसलिए आप बायेसियन नेटवर्क के साथ मार्कोव प्रक्रिया का प्रतिनिधित्व कर सकते हैं , समय के साथ अनुक्रमित एक रेखीय श्रृंखला के रूप में (सादगी के लिए हम केवल असतत समय / राज्य के मामले पर विचार करते हैं; बिशप की पीआरएमएल पुस्तक से तस्वीर):
इस तरह के बायेसियन नेटवर्क को एक के रूप में जाना जाता है। गतिशील बायेसियन नेटवर्क । चूँकि यह बायेसियन नेटवर्क (इसलिए पीजीएम) है, कोई भी संभावित पीजीएम एल्गोरिदम को संभाव्यता के अनुमान के लिए लागू कर सकता है (जैसे योग-उत्पाद एल्गोरिदम, जिनमें से चैपमैन m कोलमोगोरोव समीकरण एक विशेष मामले का प्रतिनिधित्व करते हैं) और पैरामीटर आकलन (जैसे अधिकतम संभावना, जो उबालता है। सरल श्रृंखला के लिए नीचे)। इसके उदाहरण अनुप्रयोग HMM और n-gram भाषा मॉडल हैं।
अक्सर आप इस तरह एक मार्कोव श्रृंखला के आरेख चित्रण देखते हैं
यह PGM नहीं है, क्योंकि नोड्स यादृच्छिक चर नहीं हैं, लेकिन श्रृंखला के राज्य स्थान के तत्व; किनारों लगातार दो राज्यों के बीच (गैर-शून्य) संक्रमणकालीन संभावनाओं के अनुरूप हैं। आप इस ग्राफ़ को श्रृंखला के CPT (सशर्त संभाव्यता तालिका) का वर्णन करने के बारे में भी सोच सकते हैं । यह मार्कोव श्रृंखला केवल एक ही यादृच्छिक चर ( मूड ) के रूप में प्रत्येक बार स्टाम्प पर दुनिया की स्थिति को एनकोड करती है ; क्या होगा अगर हम दुनिया के अन्य अंतःक्रियात्मक पहलुओं (जैसे स्वास्थ्य , और किसी व्यक्ति की आय ) पर कब्जा करना चाहते हैं , और को यादृच्छिक चर वेक्टर के रूप मेंp(Xt|Xt−1)Xt(X(1)t,...X(D)t)? यह वह जगह है जहां पीजीएम (विशेष रूप से, गतिशील बायेसियन नेटवर्क) मदद कर सकते हैं। हम लिए जटिल वितरण मॉडल कर सकते हैं
एक सशर्त बायेसियन नेटवर्क का उपयोग करता है जिसे आम तौर पर 2TBN (2-टाइम-स्लाइस बायेसियन नेटवर्क) कहा जाता है , जिसे सरल चेन बेयेशियन नेटवर्क का एक प्रशंसक संस्करण माना जा सकता है।p(X(1)t,...X(D)t|X(1)t−1,...X(D)t−1)
टीएल; डीआर : एक बायेसियन नेटवर्क एक प्रकार का पीजीएम (संभाव्य चित्रमय मॉडल) है जो एक निर्धारित संभावना वितरण और संबंधित सशर्त स्वतंत्रता का प्रतिनिधित्व करने के लिए चर के सेट पर एक निर्देशित (एसाइक्लिक) ग्राफ का उपयोग करता है। मार्कोव प्रक्रिया एक स्टोकेस्टिक प्रक्रिया है (आमतौर पर यादृच्छिक वेरिएबल्स के संग्रह के रूप में सोचा जाता है) "वर्तमान को दिए गए अतीत से स्वतंत्र होने" की संपत्ति के साथ; जोर एकल "टेम्प्लेट" यादृच्छिक चर के विकास का अध्ययन करने के लिए समय के दौरान अधिक होता है (अक्सर )। ए (स्केलर) मार्कोव प्रक्रिया विशिष्ट सशर्त स्वतंत्रता संपत्तिXtt→∞p(xt+1|xt,xt−1,...,x1)=p(xt+1|xt)और इसलिए एक श्रृंखला बायेसियन नेटवर्क द्वारा तुच्छ रूप से प्रतिनिधित्व किया जा सकता है, जबकि गतिशील बेइज़ियन नेटवर्क पीजीएम की पूरी प्रतिनिधित्व क्षमता को कई यादृच्छिक चर (यानी, यादृच्छिक वैक्टर) के बीच समय-समय पर मॉडल इंटरैक्शन के लिए उपयोग कर सकते हैं; इस पर एक महान संदर्भ डाफ्ने कोल्लर की पीजीएम पुस्तक अध्याय 6 है।