Сьогодні на лекції було заявлено, що напрямок ребер в мережі Байєса насправді не має значення. Вони не повинні представляти причинності.
Очевидно, що ви не можете переключити жоден край в мережі Bayes. Наприклад, нехай з і . Якщо ви переключитесь на , більше не буде ациклічним і, отже, не мережею Байєса. Це, здається, в основному є практичною проблемою, як оцінити ймовірності тоді. На цю справу здається набагато складніше відповісти, тому я пропускаю її.V = { v 1 , v 2 , v 3 } E = { ( v 1 , v 2 ) , ( v 1 , v 3 ) , ( v 2 , v 3 ) } ( v 1 , v 3 ) ( v 3 , v 1 ) G
Це змусило мене задати такі питання, на які я сподіваюся отримати відповіді тут:
- Чи можливий будь-який спрямований ациклічний графік (DAG) перевернути всі ребра і все-таки мати DAG?
- Припустимо, DAG і дані дані. Тепер побудуємо зворотний DAG . Для обох DAG ми підходимо до відповідних мереж Bayes. Тепер у нас є набір даних, для яких ми хочемо використовувати мережу Bayes для прогнозування відсутніх атрибутів. Чи можуть бути різні результати для обох DAG? (Бонус, якщо ви придумали приклад)Г інв
- Схожий на 2, але простіший: Припустимо, DAG та дані. Ви можете створити новий графік , перевернувши будь-який набір ребер, доки залишається ациклічним. Чи рівнозначні мережі Байєса, якщо мова йде про їх прогнози?G ′ G ′
- Чи отримуємо ми щось, якщо у нас є краї, які представляють причинність?