이번 글에서는 확률 그래프 모델에서 확률변수들 간의 독립, 종속 관계를 알아볼 수 있는 D-separation 성질에 대해 알아보겠습니다. [관련 글] [Bayesian Network] 2. 조건부 독립$Conditional Independence$ 결합 확률분포를 통해 확률변수들 간의 독립, 종속에 대해 파악하기 위해서는 어떤 변수를 주변화$marginalize$하여 알아볼 수 있습니다. 하지만, 복잡한 결합 확률분포의 경우, 여러 변수들 간의 종속관계를 파악하기 어려울 수 있습니다. 방향성을 가진 그래프의 경우, 각 노드에서의 관계를 파악하여, 우리가 관심 있는 노드들이 조건부 독립인지 판단할 수 있습니다. 각 노드들이 다음과 같은 관계를 가지면 D-separated이라고 말합니다. $1$ $A$, ..

이전 글 [Bayesian Network] 1. 확률 그래프 모델,[Bayesian Network] 1-1. 확률 그래프 모델의 확장에서는 어떻게 확률분포를 확률 그래프 모델로 나타내는지에 대해 알아보았습니다. 이번 글에서는 복잡한 결합 확률분포를 간단하게 나타내어 줄 수 있고, 여러 변수 간의 종속, 독립관계를 알기 위해 필요한 조건부 독립 이란 개념에 대해 알아보겠습니다. 이번 글에서는 조건부 분포에 대한 이야기가 많이 나오기 때문에 이전 글 [Probability] 3. 결합, 조건부, 주변 확률분포$Joint, Contional, Marginal Probability Distribution$ 읽고 오시면 읽을 때 도움이 될 것입니다. 직관적으로 생각했을 때, 조건부 독립이란 용어는 '어떤 조건이 ..