Bayesian Network

Mạng Bayesian là một loại mô hình đồ họa xác suất sử dụng đồ thị có hướng không chu trình (DAG) để biểu diễn một tập hợp các biến và các phụ thuộc có điều kiện của chúng. Khác với các thuật toán "hộp đen" chỉ đơn giản ánh xạ đầu vào sang đầu ra, các mạng này mô hình hóa rõ ràng mối quan hệ nhân quả giữa các yếu tố khác nhau. Cấu trúc này cho phép các nhà khoa học dữ liệu thực hiện mô hình hóa dự đoán và suy luận trong điều kiện không chắc chắn, nhờ đó đặc biệt hiệu quả trong các tình huống dữ liệu có thể không đầy đủ hoặc cần kết hợp kiến thức chuyên môn trong lĩnh vực với bằng chứng thống kê.

Các khái niệm cốt lõi và mức độ liên quan#

Nền tảng của các mạng này là định lý Bayes, một công thức toán học được sử dụng để cập nhật xác suất của một giả thuyết khi có thêm bằng chứng hoặc thông tin. Trong một Mạng Bayesian, các nút biểu diễn các biến—chẳng hạn như một triệu chứng, một chỉ số cảm biến hoặc một nhãn phân loại—còn các cạnh (mũi tên) biểu diễn các phụ thuộc xác suất. Nếu tồn tại một liên kết từ nút A đến nút B, điều đó cho biết A có ảnh hưởng trực tiếp đến B. Kiến trúc này rất quan trọng đối với AI có thể giải thích (XAI) vì cho phép người dùng lần theo chuỗi suy luận của model, mang lại tính minh bạch thường khó đạt được với các kiến trúc học sâu phức tạp.

Các model này đặc biệt phù hợp với những lĩnh vực đòi hỏi đánh giá rủi ro nghiêm ngặt. Bằng cách sử dụng các phân phối xác suất có điều kiện, một Mạng Bayesian có thể trả lời các truy vấn về trạng thái của một biến cụ thể dựa trên bằng chứng quan sát được về các biến khác. Quy trình này, thường được gọi là suy luận xác suất, khác với phép xấp xỉ hàm được thực hiện bởi các mạng neural tiêu chuẩn.

Các ứng dụng trong thực tế#

Mạng Bayesian được triển khai rộng rãi trong các ngành mà việc ra quyết định đòi hỏi cân nhắc nhiều yếu tố không chắc chắn.

1. Chẩn đoán y khoa: Trong lĩnh vực AI trong chăm sóc sức khỏe, các mạng này được sử dụng để hỗ trợ các hệ thống hỗ trợ quyết định lâm sàng. Một mạng có thể mô hình hóa mối quan hệ giữa các bệnh (biến ẩn) và các triệu chứng hoặc kết quả xét nghiệm (biến quan sát). Chẳng hạn, phân tích hình ảnh y khoa có thể cung cấp bằng chứng để cập nhật xác suất của một chẩn đoán cụ thể, giúp bác sĩ xử lý các bệnh sử phức tạp của bệnh nhân.

2. Chẩn đoán lỗi công nghiệp: Trong AI trong sản xuất, Mạng Bayesian đóng vai trò quan trọng trong phát hiện bất thường và phân tích nguyên nhân gốc. Nếu một hệ thống sản xuất thông minh phát hiện chỉ số nhiệt độ bất thường, mạng có thể tính toán xác suất hậu nghiệm xảy ra lỗi đối với nhiều bộ phận máy khác nhau, từ đó hướng dẫn đội ngũ bảo trì một cách hiệu quả.

Phân biệt với các khái niệm liên quan#

Điều quan trọng là phân biệt Mạng Bayesian với các model thống kê và machine learning khác:

• Bộ phân loại Naive Bayes: Đây là một trường hợp đặc biệt được đơn giản hóa của Mạng Bayesian. Giả định "ngây thơ" là tất cả các đặc trưng dự đoán độc lập lẫn nhau khi biết biến lớp. Mặc dù có hiệu quả tính toán đối với các tác vụ như phân tích cảm xúc, nó không thể nắm bắt các mối phụ thuộc lẫn nhau phức tạp mà một Mạng Bayesian đầy đủ có thể mô hình hóa.
• Quy trình quyết định Markov: Mặc dù cả hai đều sử dụng cấu trúc đồ thị, MDPs chủ yếu được dùng trong học tăng cường để mô hình hóa quá trình ra quyết định tuần tự theo thời gian, trong khi Mạng Bayesian thường tập trung vào các mối quan hệ xác suất giữa các biến tại một thời điểm.
• Các model học sâu (ví dụ: YOLO): Những model như YOLO26 được tối ưu cho các tác vụ nhận thức có số chiều cao như phát hiện đối tượng. Chúng học các biểu diễn đặc trưng trừu tượng từ dữ liệu thô (pixel). Ngược lại, Mạng Bayesian phù hợp hơn với suy luận cấp cao dựa trên các biến có cấu trúc.

Đầu ra xác suất trong AI hiện đại#

Trong khi Mạng Bayesian xử lý các đồ thị nhân quả tường minh, các model học sâu hiện đại cũng xuất ra điểm tin cậy xác suất phản ánh mức độ chắc chắn. Khi sử dụng các công cụ như Ultralytics Platform để huấn luyện model trên dataset tùy chỉnh, việc hiểu các xác suất này là yếu tố then chốt để diễn giải hiệu suất của model.

Đoạn mã Python sau đây minh họa cách truy cập phân phối xác suất (độ tin cậy) cho một tác vụ phân loại bằng model được huấn luyện trước. Điều này minh họa cách mức độ chắc chắn được định lượng trong một quy trình inference hiện đại.

from ultralytics import YOLO

# Load the YOLO26n-cls classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
# This returns a results object containing probability data
results = model("https://ultralytics.com/images/bus.jpg")

# Iterate through results to display class probability
for result in results:
    # Access the 'probs' attribute for classification probabilities
    top_class_index = result.probs.top1
    confidence = result.probs.top1conf
    print(f"Predicted Class Index: {top_class_index}, Confidence: {confidence:.4f}")