docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,165 @@
|
||||
---
|
||||
id: wiki-2026-0508-probabilistic-graphical-models
|
||||
title: Probabilistic Graphical Models
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [PGM, Bayesian Network, Markov Random Field, MRF]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [pgm, bayesian-network, mrf, inference, machine-learning]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: pgmpy/pyro/numpyro
|
||||
---
|
||||
|
||||
# Probabilistic Graphical Models
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 graph 로 joint distribution 의 factorization 표현"**. 매 random variable = node, dependency = edge. Bayesian Network (DAG) 와 Markov Random Field (undirected) 의 두 family. 2026 의 매 deep learning 시대에도 medical diagnosis, fault detection, causal inference 에서 핵심.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 Two Families
|
||||
- **Bayesian Network (Directed)**: P(X) = ∏ᵢ P(Xᵢ | Pa(Xᵢ)). 매 causal direction 명시.
|
||||
- **Markov Random Field (Undirected)**: P(X) = (1/Z) ∏ φc(Xc). 매 symmetric correlation.
|
||||
- **Factor Graph**: 매 두 family 통합 representation — bipartite (variable + factor nodes).
|
||||
|
||||
### 매 핵심 Operation
|
||||
- **Marginal inference**: P(Xᵢ) 매 sum out 다른 variable.
|
||||
- **MAP inference**: argmax P(X) — most likely assignment.
|
||||
- **Conditional**: P(Xᵢ | E=e) — evidence 주어진 belief update.
|
||||
- **Learning**: 매 parameter (MLE, EM) + structure (score-based, constraint-based).
|
||||
|
||||
### 매 Inference Algorithm
|
||||
- **Exact**: Variable Elimination, Belief Propagation (tree), Junction Tree.
|
||||
- **Approx**: MCMC (Gibbs, Metropolis-Hastings), Variational Inference, Loopy BP.
|
||||
|
||||
### 매 응용
|
||||
1. Medical diagnosis: 매 symptom → disease causal network.
|
||||
2. Fault detection: 매 sensor reading → root cause.
|
||||
3. Computer vision: 매 CRF for image segmentation (DeepLab v3 의 backbone).
|
||||
4. Causal inference: 매 do-calculus, counterfactual.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### pgmpy: Bayesian Network 정의
|
||||
```python
|
||||
from pgmpy.models import DiscreteBayesianNetwork
|
||||
from pgmpy.factors.discrete import TabularCPD
|
||||
|
||||
model = DiscreteBayesianNetwork([('Rain', 'Sprinkler'), ('Rain', 'Wet'), ('Sprinkler', 'Wet')])
|
||||
|
||||
cpd_rain = TabularCPD('Rain', 2, [[0.8], [0.2]])
|
||||
cpd_sprinkler = TabularCPD('Sprinkler', 2, [[0.9, 0.5], [0.1, 0.5]], evidence=['Rain'], evidence_card=[2])
|
||||
cpd_wet = TabularCPD('Wet', 2,
|
||||
[[1.0, 0.2, 0.1, 0.01], [0.0, 0.8, 0.9, 0.99]],
|
||||
evidence=['Rain', 'Sprinkler'], evidence_card=[2, 2])
|
||||
|
||||
model.add_cpds(cpd_rain, cpd_sprinkler, cpd_wet)
|
||||
assert model.check_model()
|
||||
```
|
||||
|
||||
### Variable Elimination inference
|
||||
```python
|
||||
from pgmpy.inference import VariableElimination
|
||||
|
||||
infer = VariableElimination(model)
|
||||
result = infer.query(variables=['Rain'], evidence={'Wet': 1})
|
||||
print(result)
|
||||
```
|
||||
|
||||
### NumPyro: Bayesian regression
|
||||
```python
|
||||
import numpyro
|
||||
import numpyro.distributions as dist
|
||||
from numpyro.infer import MCMC, NUTS
|
||||
import jax.numpy as jnp
|
||||
|
||||
def model(X, y=None):
|
||||
beta = numpyro.sample('beta', dist.Normal(jnp.zeros(X.shape[1]), 1.0))
|
||||
sigma = numpyro.sample('sigma', dist.HalfNormal(1.0))
|
||||
mu = jnp.dot(X, beta)
|
||||
numpyro.sample('y', dist.Normal(mu, sigma), obs=y)
|
||||
|
||||
mcmc = MCMC(NUTS(model), num_warmup=500, num_samples=1000)
|
||||
mcmc.run(jax.random.PRNGKey(0), X, y)
|
||||
```
|
||||
|
||||
### Markov Random Field (CRF for sequence labeling)
|
||||
```python
|
||||
import torch
|
||||
from torchcrf import CRF
|
||||
|
||||
num_tags = 5
|
||||
crf = CRF(num_tags, batch_first=True)
|
||||
|
||||
emissions = torch.randn(2, 10, num_tags) # (batch, seq, tags)
|
||||
tags = torch.randint(0, num_tags, (2, 10))
|
||||
loss = -crf(emissions, tags) # neg log likelihood
|
||||
|
||||
best = crf.decode(emissions) # Viterbi
|
||||
```
|
||||
|
||||
### Pyro: Variational Inference
|
||||
```python
|
||||
import pyro
|
||||
import pyro.distributions as dist
|
||||
from pyro.infer import SVI, Trace_ELBO
|
||||
from pyro.optim import Adam
|
||||
|
||||
def model(data):
|
||||
z = pyro.sample('z', dist.Normal(0, 1))
|
||||
pyro.sample('obs', dist.Normal(z, 1), obs=data)
|
||||
|
||||
def guide(data):
|
||||
mu = pyro.param('mu', torch.tensor(0.))
|
||||
sigma = pyro.param('sigma', torch.tensor(1.), constraint=dist.constraints.positive)
|
||||
pyro.sample('z', dist.Normal(mu, sigma))
|
||||
|
||||
svi = SVI(model, guide, Adam({'lr': 0.01}), Trace_ELBO())
|
||||
for step in range(1000):
|
||||
svi.step(data)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Discrete, small state space, exact inference | pgmpy + VE |
|
||||
| Continuous, large model | NumPyro + NUTS |
|
||||
| Sequence labeling | CRF |
|
||||
| Image segmentation | CRF + CNN (DeepLab) |
|
||||
| Causal inference | DoWhy + pgmpy |
|
||||
| Real-time, approx OK | Loopy BP / VI |
|
||||
|
||||
**기본값**: 매 small problem → pgmpy. 매 large continuous → NumPyro NUTS.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Probability Theory]] · [[Graph_Theory]]
|
||||
- 변형: [[Bayesian_Network]] · [[Markov_Random_Field]]
|
||||
- 응용: [[Image Segmentation]] · [[Causal Inference]]
|
||||
- Adjacent: [[Hidden_Markov_Model]] · [[Variational_Inference]] · [[MCMC]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 explicit causal structure 필요, interpretability 중요, small-data domain (medicine).
|
||||
**언제 X**: 매 large-scale perception (이미지/음성) — neural network 가 우수.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **모든 변수 fully connected**: 매 parameter explosion — sparsity 활용.
|
||||
- **Exact inference 의 강행 in dense graph**: NP-hard — approximate 사용.
|
||||
- **Causal direction 의 임의 가정**: 매 domain knowledge 없으면 PC algorithm 등으로 학습.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Koller & Friedman 2009, Murphy 2012, pgmpy 0.1.26, NumPyro 0.16).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — pgmpy/NumPyro/Pyro modern stack |
|
||||
Reference in New Issue
Block a user