马尔可夫网络
Parent: ai_keywords
马尔可夫网络
核心定义
马尔可夫网络（Markov Network），亦称马尔可夫随机场（Markov Random Field, MRF），是一种基于无向图的概率图模型。图结构中的节点代表随机变量，边表示变量间的局部依赖关系。其核心假设是马尔可夫性：在给定邻域节点的条件下，每个节点独立于所有非邻域节点。整个联合分布通过定义在图上最大团（clique）上的势函数（非负函数）的乘积归一化得到，即吉布斯分布形式：
[ P(\mathbf{X}) = \frac{1}{Z} \prod_{c \in \mathcal{C}} \psi_c(\mathbf{X}_c) ]
其中 (Z) 为配分函数，确保概率和为1。这种结构天然适用于建模对称的、非因果的依赖关系。
关键技术点
-
势函数与配分函数
势函数 (\psi_c) 刻画局部团内变量的兼容性，常通过指数线性模型（如对数线性模型）参数化。配分函数 (Z) 的计算一般是指数级困难，需要近似推断（如对比散度、伪似然）或基于树结构的精确计算。 -
三种马尔可夫性
- 成对马尔可夫性：不相邻节点在其余节点条件下独立。
- 局部马尔可夫性：节点在邻域节点条件下独立于所有其他节点。
- 全局马尔可夫性：被分离集分隔的两组节点在给定分离集时条件独立。
这些性质为构建条件独立关系提供严格数学基础。
-
学习与推断
- 参数学习：极大似然估计需迭代求解，常用梯度下降或吉布斯采样。
- 结构学习：基于惩罚似然（如L1正则）或贪心搜索确定边存在性。
- 推断算法：未消元图采用置信传播（BP）及变体（树重加权、环状BP）；精确推断限于树结构或小规模网络。
-
与贝叶斯网络的对比
贝叶斯网络使用有向边表示因果/单向依赖；马尔可夫网络使用无向边表示对称关联。后者更天然适用于无方向性依赖的建模，例如空间邻域、图像像素或神经同步活动。
医学/神经科学应用场景：脑功能网络的癫痫发作预测
在首都医科大学神经病学研究中，马尔可夫网络可用于分析癫痫患者的脑电图（EEG）或功能磁共振（fMRI）数据。具体地，将大脑不同区域（如颞叶、额叶、丘脑）作为节点，基于时间序列的同步性（如锁相值、皮尔逊相关）构建稀疏马尔可夫网络。关键步骤如下：
- 定义节点与势函数：每个脑区的神经电生理活动视为随机变量，势函数刻画相邻区域内源放电模式的协同性（如高同步或低同步状态的概率权重）。
- 结构学习：通过L1正则化逻辑回归推断各脑区间的条件依赖边，得到癫痫发作间期与发作前期的网络拓扑差异。
- 条件推断：当新序列输入时，利用吉布斯采样估计当前网络状态中最可能激活的团，识别预发作网络传播模式（如从海马体向岛叶的异常扩散）。
该模型能揭示发作前数秒至数分钟内脑网络从低同步向高同步的马尔可夫转移，从而为闭环神经刺激系统提供预警信号。相比传统相关分析，马尔可夫网络可区分直接与间接连接，减少伪相关，进而提高病灶定位的精准度。这一方法同样可迁移至帕金森病运动网络退化评估及脑卒中后功能重组研究。
