Apprendre les modèles latents dans les structures graphiques

Cette séance de cours se penche sur lapprentissage des modèles latents dans les structures graphiques, en se concentrant sur des scénarios où tous les échantillons ne sont pas disponibles. L'instructeur explique le concept de suffisance causale et présente un exemple d'apprentissage latent dans un modèle graphique non dirigé. La séance de cours couvre les distributions de probabilité décomposables, les distributions discrètes symétriques et les conditions d'apprentissage d'un arbre latent. L'instructeur introduit la notion de distance entre les variables, basée sur des coefficients de corrélation, et discute du lemme de regroupement des frères et sœurs, ce qui aide à classer les nœuds dans un arbre. La séance de cours se termine par une proposition de Pearl de 1988, indiquant que pour chaque distribution composée d'arbres, il existe une extension d'arbre minimale qui peut être récupérée, en particulier pour les distributions gaussiennes et binaires.