1.为何概率图模型在人工智能中失宠？
因为（1）不固定维数（2）强假设
2. 1980s开始被接受的原因？
Probabilistic Reasoning in Intelligent Systems
避免了强假设
3. 贝叶斯链式法则
p（x1,x2,..,xn）=p(x1)p(x2|x1)p(x3|x1,x2),...
4 联合概率的表达(贝叶斯网络)
所以随机变量相互独立---->现实中随机变量不总是相互独立---->条件概率参数化
相互独立的--naive Bayes--更加一般的图（贝叶斯分解）
选择变量（有时必要加隐变量），不需考虑不关键的变量
选择结构： backward construction process (回溯法？从结果分析原因，加到parent nodes上)，要考虑弱相关，但是不能全考虑，否则模型太臃肿了
选择概率：
5 有效迹（active trail）和d分离：例子
6 I-MAP 等价