---
id: PGM-001
category: "[[10_Wiki/💡 Topics/AI]]"
confidence_score: 1.0
tags: [ai, machine-learning, statistics, graph-theory, uncertainty]
last_reinforced: 2026-04-26
---

# [[Probabilistic Graphical Models (PGMs, 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.

## 📖 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.

## ⚠️ 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.

## 🔗 지식 연결 (Graph)
- [[Bayesian-Inference]], [[Graph-Theory]], [[Information-Theory]], [[Machine-Learning]]
- **Raw Source:** [[10_Wiki/Topics/AI/Probabilistic-Graphical-Models.md]]