AI 2026.04.28 · 13 min
Advanced Graphical Models Deep Dive · 1
그래프 모델의 언어 — 조건부 독립에서 Moralization까지
조건부 독립의 대수 구조부터 Bayesian Network 인수분해, d-separation, Hammersley–Clifford 정리, 그리고 BN–MRF 변환의 표현력 한계까지, 확률 그래프 모델의 핵심 원리를 추적한다.
series · graphical-models-deep-dive
📚 Graphical Models Deep Dive
총 7편 · 순서대로 읽기를 권장
AI 2026.04.28 · 13 min
Advanced Graphical Models Deep Dive · 2
Belief Propagation은 왜 하나의 알고리즘인가
Factor graph의 bipartite 구조부터 Loopy BP와 Bethe 자유에너지의 등가성까지, 메시지 패싱이 어떻게 PGM 추론을 통합하는지 추적한다.
AI 2026.04.28 · 10 min
Advanced Graphical Models Deep Dive · 3
HMM에서 Mamba까지 — 시계열 모델의 하나의 뼈대
Hidden Markov Model의 세 가지 문제부터 Kalman Filter, Baum-Welch EM, Viterbi까지, 모든 시계열 추론이 factor graph 위의 메시지 패싱으로 통일되는 과정을 추적한다.
AI 2026.04.28 · 10 min
Advanced Graphical Models Deep Dive · 4
CRF는 왜 HMM보다 강한가
discriminative 모델링의 핵심 원리부터 Neural CRF의 end-to-end 학습까지, CRF가 구조화 예측의 표준이 된 이유를 추적한다.
AI 2026.04.28 · 11 min
Advanced Graphical Models Deep Dive · 5
Exact Inference는 왜 그렇게 어려운가
Variable Elimination의 분배법칙부터 Treewidth의 NP-hardness, Junction Tree의 완성까지 — PGM exact inference의 복잡도 구조를 통합적으로 추적한다.
AI 2026.04.28 · 13 min
Advanced Graphical Models Deep Dive · 6
Variational Inference의 다섯 얼굴
Mean-field ELBO 유도부터 Bethe 자유에너지, EP의 moment matching, Gibbs sampling의 Markov blanket, Particle Filter의 중요도 가중치까지 — approximate inference의 통일된 틀을 추적한다.
AI 2026.04.28 · 12 min
Advanced Graphical Models Deep Dive · 7
Graphical Model 학습은 왜 이렇게 어려운가
BN의 count-based MLE부터 MRF의 partition function 문제, EM의 ELBO 보장, Structure Learning의 NP-hardness, 그리고 GNN·Transformer까지 — classical PGM 학습의 통일된 수학적 계보를 추적한다.