Question

我正在尝试实施贝叶斯网络。

我的主图是我想用于置信传播的因子图。但是，在计算消息时的置信传播中，并非所有参数都传递给函数，最终函数将是联合分布的限制。

我想到的最好的方法是以某种方式限制功能，以便每当我想为新值计算边际值时不进行所有替换。

我问过如何实现这样一个函数here。

我想知道是否有更好的方法来做这样的事情，或者是否有比我想做的更简单快捷的方法。

Answer 1

这里有一个建议：创建一个闭包，它接受一个包含初始变量及其各自值的映射作为第一次计算的键值对。相同的闭包返回一个内部函数，它接受另一个映射，其余的变量和值用于最终计算。

因此定义一个闭包，其中第一次部分计算在外部函数中完成。根据你的链接，部分计算是一个总和，但我想你将计算概率的产品。内部函数可以将部分和作为自由变量访问。当您使用包含剩余变量值对的映射调用它时，计算完成。

您还可以在外部函数中定义一个集合，以保存第一次计算中使用的所有变量。然后允许内部函数也将此集合作为自由变量访问。这将确保在最终计算中排除第一次计算中遇到的任何变量键的值。

所有这些都在下面说明。

def f1(map1):

    # set to contain seen variables as keys
    seen_keys = set()

    computed_val1 = 0.0

    for key in map1.keys():
        val = map1[key]
        computed_val1 += val

        # remember keys already in 1st computed
        seen_keys.add(key)

    def f2(map2):
        computed_val2 = computed_val1

        for key2 in map2.keys():
            # omit keys in first computation
            if key2 in seen_keys:
                continue

            val2 = map2[key2]
            computed_val2 += val2

        return computed_val2

    return f2

if __name__ == '__main__':

    partial_map = {'factor1': 1, 'factor2': 2}
    func = f1(partial_map)

    remaining_map1 = {'factor3': 3}
    answer1A = func(remaining_map1)
    print "Answer after using partial and remaining maps = ", answer1A

    # complete the partial map with factor3 to show that
    # the return function will ignore variables already seen in 1st computaion
    partial_map['factor3'] = 3
    answer1B = func(partial_map)
    print "Answer with completed map to same func = ", answer1B

    # Compute remaining map with different value for factor 3
    remaining_map2 = {'factor3': 15}
    answer2 = func(remaining_map2)
    print "Answer with different second map = ", answer2

信仰传播实施

1 个答案: