feat: Knowledge Gardening Milestone 400 (Batch #20)

10_Wiki/Topics/AI/Probabilistic-Graphical-Models.md

@@ -1,28 +1,28 @@
 ---
-id: PGM-001
+id: MATH-PGM-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [ai, machine-learning, statistics, graph-theory, uncertainty]
+tags: [math, probability, graphical-models, bayesian-networks, markov-random-fields, reasoning, causality]
 last_reinforced: 2026-04-26
 ---
 
-# [[Probabilistic Graphical Models (PGMs, 확률적 그래픽 모델)]]
+# [[Probabilistic Graphical Models (확률적 그래픽 모델)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "복잡한 변수들 사이의 인과관계와 불확실성을 그래프로 그려라" — 확률론과 그래프 이론을 결합하여 여러 변수 간의 조건부 독립성을 시각화하고, 복잡한 합동 확률 분포를 효율적으로 계산하는 프레임워크.
+> "복잡하게 얽힌 세상의 변수들을 노드와 간선으로 해체하여, 불확실성 속에서도 명료한 '인과와 의존'의 지도를 그려라" — 확률 변수들 사이의 독립성 및 종속성 관계를 그래프 구조로 표현하여, 복잡한 다변량 확률 분포를 효율적으로 추론하고 학습하는 프레임워크.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 변수들 간의 직접적인 상호작용만 그래프의 에지(Edge)로 표현하여, 전체 시스템의 복잡한 확률 연산을 국소적인 계산들의 조합으로 단순화하는 패턴.
-- **세부 내용:**
-    - **Bayesian Networks:** 유향 그래프를 사용하여 인과관계를 표현 (예: 질병 -> 증상).
-    - **Markov Random Fields:** 무향 그래프를 사용하여 상관관계를 표현 (예: 이미지의 인접 픽셀 간 유사성).
-    - **Inference:** 주어진 관측 데이터를 바탕으로 보이지 않는 변수의 상태를 추론 (예: 증상을 보고 질병을 진단).
-    - **Parameter Learning:** 데이터로부터 변수들 간의 영향력(확률 분포)을 학습.
+- **추출된 패턴:** "Graph-structured Dependency and Factorization" — 전체 결합 확률 분포를 각 변수와 그 이웃(부모)들 사이의 국소적인 조건부 확률의 곱으로 분해하여, 연산의 복잡도를 획기적으로 낮추고 명확한 인과 추론을 가능케 하는 패턴.
+- **주요 모델 분류:**
+    - **Bayesian Networks (Directed):** 방향성이 있는 간선으로 인과 관계 표현 (예: 질병 -> 증상).
+    - **Markov Random Fields (Undirected):** 방향성 없는 간선으로 상호 의존성 표현 (예: 인접한 픽셀 사이의 관계).
+    - **Factor Graphs:** 함수적 관계를 노드로 추가하여 더 일반적인 표현 가능.
+- **의의:** 의료 진단, 유전자 분석, 자연어 이해, 컴퓨터 비전의 이미지 복원 등 데이터 사이의 '구조적 관계' 파악이 중요한 모든 분야의 핵심 도구.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 딥러닝 이전에 복잡한 의사결정 시스템의 핵심이었으나, 현재는 딥러닝 모델의 내부 불확실성을 모델링하거나 구조적 인과관계를 결합하는 하이브리드 형태로 발전 중.
-- **정책 변화:** Antigravity 프로젝트의 에이전트 의사결정 신뢰도 평가 시, 베이지안 네트워크 모델을 사용하여 각 단계의 위험 요소를 확률적으로 분석함.
+- **과거 데이터와의 충돌:** 변수가 많아지면 추론이 불가능(NP-hard)해진다는 한계를 극복하기 위해, 최근에는 변이 추론(Variational Inference)이나 신경망과 결합된 심층 그래픽 모델(Deep Graphical Models)로 발전하여 거대 데이터셋에도 대응함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 베이스 내 주제들 사이의 인과 관계를 분석할 때, 확률적 그래픽 모델 원리를 적용하여 사용자 질문에 대한 가장 타당한 답변 경로를 추론함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Bayesian-Inference]], [[Graph-Theory]], [[Information-Theory]], [[Machine-Learning]]
+- [[Posterior-and-Prior-Probability]], [[Markov-Decision-Process-MDP]], [[Bayesian-Inference]], [[Conditional-Random-Fields-CRF]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Probabilistic-Graphical-Models.md]]