Che rapporto hanno i modelli grafici probabilistici (PGM) con l'apprendimento automatico?

Bene, date un'occhiata al libro di testo di Kevin Murphy. "Machine Learning: a Probabilistic Perspective".
E/o apri qualsiasi documento recente con qualche elemento di apprendimento non supervisionato o semi-supervisionato da NIPS o anche KDD.
Es. "Jointly Modeling Aspects, Ratings and Sentiments
for Movie Recommendation (JMARS),''
Diao, Qiu, Wu, Smola, Jiang and Wang, KDD 2014.

Quello che vedrete è che molti modelli di apprendimento automatico sono definiti con modelli grafici.

La questione fondamentale è che i modelli grafici permettono di definire la struttura dell'inferenza probabilistica sottostante il modello. Questo diventa importante per
modelli con centinaia o migliaia di variabili. È un modo di organizzare le cose, e di conseguenza dà un modo di organizzare l'inferenza che si può usare. Infatti sistemi come BUGS (da Cambridge) e Stan (da Cornell) permettono di definire enormi, ampie, utili classi di modelli usando modelli grafici, e questi sistemi virtualmente "compilano" un algoritmo per voi. Questo mostra la potenza generale del framework.

Nota altri modi di definire la struttura o tramite equazioni e tramite regole grammaticali.

Molti di noi hanno capito all'inizio degli anni '90 che questa era la strada del futuro. La comunità ci ha messo un po' a capirlo, ma alla fine degli anni '90 stava prendendo il sopravvento.