在RBM的使用中，採用了該模型
http://blog.sina.com.cn/s/blog_4dfdfdc30100r1cn.html
概率圖模型之有向圖與無向圖
圖模型用圖結構描述隨機變量之間的依賴關係，結點表示隨機變量，邊表示隨機變量之間的依賴關係，可以是有向圖和無向圖。
一 無向圖模型
無向圖模型又叫馬爾可夫網絡、馬爾可夫隨機場，是關於一組有馬爾可夫性質隨機變量X的全聯合概率分佈模型。
1 無向圖模型的表示
給定包含n個隨機變量的問題域
，則定義在問題域U上的無向圖模型包括拓撲結構和參數兩部分:
? 拓撲結構S:節點表示隨機變量，兩節點之間的連線表示它們之間具有直接的相互影響。
? 參數Θ:無向圖模型參數是對節點之間相互影響的定量描述。它是拓撲結構S中每個極大完全子圖所對應的勢函數的集合。其中，極大完全子圖(clique)是指不包含於其它完全子圖的完全子圖（完全子圖中任何兩節點是直接相連的），勢函數
則反映了極大完全子圖
的每種可能狀態的能量。
2 無向圖模型的聯合概率分解
利用無向圖模型可將圖的聯合概率分解爲一系列因子式。給定無向圖模型拓撲結構S和參數Θ之後，問題域U上的聯合概率密度函數可寫爲:
其中N爲無向圖中極大完全子圖的數目。
3 例子：
二 有向圖模型
1 一個簡單的例子
Zu2P4VEJeLlo3OvcL8seQRwBNIiBdrZeYrD3M7ku1u6hMkBxC7fYYlx__ELUS0QAFu0VNltF4OTmei_KfxJjahlD1ZMKCq0DJLL6jEl2Dq4Eety1Qw/clip_image018_thumb[1].jpg">2 一般情況
考慮任意聯合分佈
，通過連續使用乘法規則
利用局部馬爾可夫性簡化簡化：在給定其所有父親節點的情況下，隨機變量X與其非後繼條件獨立。
其中pai是Xi的父節點集合。
三 有向圖模型與無向圖模型的對比：
1 共同之處
將複雜的聯合分佈分解爲多個因子的乘積
2 不同之處
有向圖模型因子是概率分佈、無需全局歸一
無向圖模型因子是勢函數，需要全局歸一
3 優缺點
無向圖模型中勢函數設計不受概率分佈約束，
設計靈活，但全局歸一代價高
有向圖模型無需全局歸一、訓練相對高效