2.5 小结

本章介绍贝叶斯网络的三大基本问题和完全贝叶斯方法的主要思想，以及贝叶斯方法在小样本学习中的典型应用，旨在让读者快速了解贝叶斯方法的原理及其在可解释性上的独特优势。本章还介绍了贝叶斯深度学习这一前沿、活跃的研究领域，以及其中的两种代表性方法——深度生成模型和贝叶斯神经网络。在充分利用神经网络对高维数据的拟合能力的基础上，它们分别在机制可解释性和预测不确定性估计方面继承了贝叶斯方法的优势。最后，本章讨论了因果推断和贝叶斯方法的区别与联系，并简明扼要地介绍了Judea Pearl提出的因果模型。

[1]马尔可夫随机场（Markov Random Field）是另一类重要的概率图模型，与贝叶斯网络不同，其条件独立性由无向图刻画，感兴趣的读者可以参考本章扩展阅读。

[2]从有向图中的一个点出发，沿着该图的有向边游走，第一次回到该点停止。如果途中最多经过其他点一次，那么经过的所有边和点形成一个该图的环。

[3]关于因果关系是否存在，哲学和统计学中存在很多争议。这些讨论超出了本书可解释AI的范围。