2025年大学《数理基础科学》专业题库——概率图模型与贝叶斯网络理论.docxVIP

2025年大学《数理基础科学》专业题库——概率图模型与贝叶斯网络理论

考试时间：______分钟总分：______分姓名：______

一、

1.设X,Y,Z是三个随机变量，已知X与Y独立，条件分布P(Y|X=x)和P(Z|X=x)均为伯努利分布，参数依赖于x。请写出X,Y,Z之间的条件独立性关系，并说明理由。

2.给定一个有向无环图（DAG），请解释什么是D-S分解（因子图表示），并说明D-S分解如何体现贝叶斯网络中条件独立性的结构性质。

二、

某研究者想为一个简单的医疗诊断系统建模。该系统考虑三个症状：S（咳嗽），C（发烧），以及潜在病因D（流感）。研究者假设症状之间以及症状与病因之间的关系可以通过一个贝叶斯网络来描述。假设已观察到症状S和C为真，求潜在病因D为真的后验概率P(D=真|S=真,C=真)。

三、

简要描述使用基于评分函数的贪婪搜索算法学习贝叶斯网络结构的两种常见评分函数（如BIC或AIC），并比较这两种评分函数在衡量网络好坏时的侧重点有何不同。

四、

考虑一个包含三个变量X,Y,Z的贝叶斯网络，其结构为线形链（X-Y-Z）。假设每个节点的条件概率表（CPT）均为简单的离散均匀分布（即每个父节点取值下，子节点取每个值概率均为1/3）。请使用变量消元法计算P(Y=y|X=x,Z=z)。

五、

解释信念传播（BeliefPropagation,BP）算法的基本思想。在计算边缘概率P(Xi|Evidence)时，BP算法通过哪些核心步骤（消息传递和更新）来实现？简述消息传递的更新规则。

六、

描述最大似然估计（MaximumLikelihoodEstimation,MLE）在贝叶斯网络参数学习中的应用。给定一组数据样本，解释如何根据样本计算贝叶斯网络中所有条件概率表（CPTs）的MLE值。

七、

假设一个动态贝叶斯网络（DBN）用于建模一个随时间变化的系统（如一个马尔可夫链）。请简述DBN的基本结构特点，并说明如何从相应的静态贝叶斯网络中构建DBN。在推断时，DBN的推理问题与静态贝叶斯网络有何不同？

八、

已知一个贝叶斯网络的结构如下：X-Y-Z-W。请给出该网络的一个等价因子图表示。并说明该因子图如何通过因子节点和因子关系来表达网络的结构和条件独立性信息。

试卷答案

一、

1.X与Y,X与Z,Y与Z之间均条件独立。理由：由全概率公式P(Y,Z|X=x)=Σ_yP(Y=y|X=x)P(Z|X=x,Y=y)，若Y和Z在给定X时条件独立，则P(Z|X=x,Y=y)=P(Z|X=x)。由于P(Y|X=x)和P(Z|X=x,Y=y)已知且形式相同（依赖于x），可以推断P(Z|X=x,Y=y)=P(Z|X=x)。根据定义，这意味着Y和Z在给定X时条件独立。进一步，由于P(Y|X)已知，结合Y和Z在给定X时条件独立，可得Y和Z在给定X时也独立。类似地可推导X与Y,X与Z之间的条件独立性。

2.D-S分解是将贝叶斯网络的结构通过因子图（有向无环图）重新表示为一系列条件概率表（CPTs）的乘积。具体地，对于每个变量节点v_i，其对应的CPTP(V_i|Pa(v_i))（其中Pa(v_i)表示v_i的父节点集合）被视为一个因子，因子图中的因子节点代表这些CPTs。因子节点之间的连边则表示变量之间的依赖关系（即父节点指向子节点的关系）。D-S分解体现了贝叶斯网络中条件独立性的结构性质：若变量v_i的父节点集合为Pa(v_i)，则v_i与Pa(v_i)之外的所有节点集合Q互条件独立（即I(v_i;Q|Pa(v_i))=0）。在因子图表示中，这意味着v_i对应的因子（CPTP(V_i|Pa(v_i)）只依赖于其父节点（即图中指向v_i的边所连接的节点），而与其他不相连的节点无关。

二、

需要知道该贝叶斯网络的具体结构以及各节点的条件概率表（CPTs）或从数据中学习到的参数。假设网络结构为D-S-C，并且已知P(S|D),P(C|S),P(D)以及观测证据S=真,C=真。计算P(D=真|S=真,C=真)需要使用贝叶斯定理：

P(D=真|S=真,C=真)=[P(S=真,C=真|D=真)P(D=真)]/P(S=真,C=真)

分母P(S=真,C=真)可以通过全概率公式展开：

P(S=真,C=真)=Σ_dP(S=真,C=真|D=