Propagação de Crenças
Propagação de Crenças (BP) é uma algorithm used in the campo de inteligência artificial and aprendizado de máquina for performing inference on modelos gráficos, particularly Bayesian networks and Markov random fields. These models represent complex relationships among variables using graphs, where nodes represent variables, and edges represent dependencies between them.
O objetivo principal da Propagação de Crenças é calcular as probabilidades marginais de cada variável na rede, dado alguma evidência observada. Isso é particularmente útil em cenários onde o cálculo direto dessas probabilidades é computacionalmente caro ou inviável devido à complexidade do modelo.
Belief Propagation operates by passing “messages” between nodes in the graph, where each message encodes information about the beliefs (probabilities) of the sending node regarding the state of the receiving node. This process continues iteratively until the messages converge, meaning that they no longer change significantly, at which point the algorithm can derive the marginal probabilities.
Existem duas formas principais de Propagação de Crenças:
- Algoritmo Soma-Produto: Used for computing marginal distributions by summing over possible values of variáveis ocultas.
- Algoritmo Máximo-Produto: Used for computing the most probable configuration of the variables by taking the maximum instead of the sum.
Belief Propagation is particularly powerful in applications such as error-correcting codes, computer vision, and processamento de linguagem natural. However, it is important to note that while BP can provide approximate solutions in many cases, it may not always converge or yield accurate results in graphs with cycles.