Реализация распространения убеждений

Question

Я пытаюсь реализовать Байесовские сети.

Мой основной график - это факторный график, который я хочу использовать для распространения убеждений. Но при распространении убеждений при вычислении сообщений не все аргументы передаются в функцию, и конечная функция будет ограничением совместного распространения.

Лучший способ, который приходит мне в голову, - это как-то ограничить функции, чтобы не выполнять всю замену каждый раз, когда я хочу вычислить маржинальное значение для нового значения.

Я спросил, как реализовать такую ​​функцию здесь.

Я хочу знать, есть ли лучший способ сделать такую ​​вещь или есть более простые и быстрые подходы, чем тот, который я хочу сделать.

Answer 1

Вот предложение: создайте замыкание, которое принимает карту, содержащую исходные переменные и их соответствующие значения, в качестве пар ключ-значение для первого вычисления. Это же замыкание возвращает внутреннюю функцию, которая принимает другую карту с оставшимися переменными и значениями для окончательного вычисления.

Итак, определите замыкание, где первое частичное вычисление выполняется во внешней функции. Основываясь на вашей ссылке, частичное вычисление является суммой, но я думаю, что вы будете вычислять произведения вероятностей. Внутренняя функция имеет доступ к частичной сумме как свободная переменная. Вычисление завершается, когда вы вызываете его с картой, содержащей оставшиеся пары переменная-значение.

Вы также можете определить во внешней функции набор для хранения всех переменных, использованных в первом вычислении. Затем разрешите внутренней функции также обращаться к этому набору в качестве свободной переменной. Это обеспечит исключение значений любых переменных ключей, встречающихся в первом вычислении, в окончательном вычислении.

Все это проиллюстрировано ниже.

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