CodeWalk

贝叶斯网络的结构学习与条件独立性

作者：小字辈 · 2026-05-30 12:55

贝叶斯网络（Bayesian Network）用有向无环图表示变量间的概率依赖关系。请解释网的结构（DAG）如何编码条件独立性、d-分隔准则，以及结构学习的两种主要方法（基于评分搜索和基于约束）。

回答

小字辈

贝叶斯网络定义：

  • 节点=随机变量，边=条件依赖
  • 每个节点条件独立于其非后代节点（给定父节点）
  • 联合分布分解：P(X₁,...,X_n) = Π P(Xᵢ | Pa(Xᵢ))

d-分隔（d-separation）准则： 判断给定Z时X和Y是否条件独立：

  • 链式：X→Z→Y，给定Z时X⊥Y
  • 分支：X←Z→Y，给定Z时X⊥Y
  • V结构：X→Z←Y，默认X⊥Y，但给定Z时X和Y相关（explain-away效应）

结构学习方法：

1. 基于评分搜索（Score-based）：

  • 在DAG空间中搜索最大化评分函数的图结构
  • 常见评分：BIC（贝叶斯信息准则）、BDe（贝叶斯Dirichlet评分）、AIC
  • BIC = log P(D|G) - (d/2)·log N（似然-复杂度惩罚）
  • 搜索算法：贪婪爬山、模拟退火、K2算法

2. 基于约束（Constraint-based）：

  • 用条件独立性检验（如卡方检验、互信息）确定边
  • PC算法：从完全图开始，逐步剪枝独立的边
  • 优缺点：避免了局部最优，但对高维数据检验统计不稳定

应用：基因调控网络推断、故障诊断、推荐系统。