Hoje, em uma palestra, foi afirmado que a direção das arestas em uma rede Bayes realmente não importa. Eles não precisam representar causalidade.
É óbvio que você não pode mudar nenhuma borda em uma rede Bayes. Por exemplo, seja com V = { v 1 , v 2 , v 3 } e E = { ( v 1 , v 2 ) , ( v 1 , v 3 ) , ( v 2 , v 3 ) } . Se você alternar ( v a ( v 3 , v 1 ) , então G não seria mais acíclico e, portanto, não seria uma rede Bayes. Este parece ser principalmente um problema prático como estimar as probabilidades então. Este caso parece ser muito mais difícil de responder, por isso vou ignorá-lo.
Isso me fez fazer as seguintes perguntas para as quais espero obter respostas aqui:
- É possível que qualquer gráfico acíclico direcionado (DAG) inverta todas as arestas e ainda tenha um DAG?
- Suponha um DAG e os dados sejam fornecidos. Agora construímos o DAG inverso G inv . Para os dois DAGs, ajustamos os dados às redes Bayes correspondentes. Agora, temos um conjunto de dados para o qual queremos usar a rede Bayes para prever os atributos ausentes. Poderia haver resultados diferentes para os dois DAGs? (Bônus se você vier com um exemplo)
- Semelhante a 2, mas mais simples: suponha que um DAG e os dados sejam fornecidos. Você pode criar um novo gráfico G ' invertendo qualquer conjunto de arestas, desde que G ' permaneça acíclico. As redes Bayes são equivalentes quando se trata de suas previsões?
- Conseguimos algo se temos arestas que representam causalidade?
fonte
a
causasb
, masa -> b
ea <- b
são modelos probabilísticos igualmente válidos.Isso pode ser um pouco insatisfatório, portanto, fique à vontade para não aceitar esta resposta e peça desculpas antecipadamente.
Em uma rede de Bayes, os nós representam variáveis aleatórias e as arestas representam dependências condicionais. Quando você interpreta os nós de uma certa maneira, o condicionamento flui de uma certa maneira naturalmente. Revertê-los arbitrariamente não faz muito sentido no contexto da modelagem de dados. E muito tempo, as flechas representam causalidade.
fonte
Questão 3
synergy.st-andrews.ac.uk/vannesmithlab afirma que os gráficos
estão em uma classe de equivalência. Segundo essa fonte, os modelos representam exatamente a mesma distribuição de probabilidade conjunta.
fonte
G2 = o <- o -> o
vez disso? De qualquer forma, não estou vendo uma reivindicação sobre esses gráficos específicos na página da web que você referenciou; talvez você possa ser mais específico.