階層モデル、ニューラルネットワーク、グラフィカルモデル、ベイジアンネットワークの関係は何ですか？

それらはすべて、ノードによってランダム変数を表し、（場合によっては）エッジを介して（独立）依存関係を表すようです。特にベイジアンの視点に興味があります。

ベイジアンネットワークは、グラフィカルモデルの一種です。もう1つの「大きな」タイプのグラフィカルモデルは、マルコフランダムフィールド（MRF）です。グラフィカルモデルは、推論、推定、および一般的に世界をモデル化するために使用されます。

階層モデルという用語は、さまざまな分野の多くのことを意味するために使用されます。

ニューラルネットワークには「グラフ」が付属していますが、通常、依存情報はエンコードされず、ノードはランダム変数を表しません。NNは差別的であるため、異なります。一般的なニューラルネットワークは、分類と回帰に使用されます。

Kevin Murphyには、これらのトピックに関する優れた紹介があります。

@carlosdcは、前記ベイジアンネットワークは、グラフィカルモデルの一種である（すなわち、その構造は非循環有向グラフ（DAG）が条件付き独立プロパティのセットを定義します）。階層ベイズモデルはDAGとして表すこともできます。Bellazzi et al。による不確実なデータの階層的単純ベイズ分類器は、このようなモデルによる分類の優れた紹介を提供します。階層モデルについては、適切なキーワードでグーグル検索することで多くの記事を取得できると思います。例えば、私はこの1つを見つけました：

CHジャクソン、NGベストとS.リチャードソン。異なる変数を持つ複数のデータセットの回帰のベイジアングラフィカルモデル。 生物統計学（2008）10（2）：335-351。

Michael I. Jordanが、グラフィカルモデルに関する素晴らしいチュートリアルを提供しています。これには、バイオインフォマティクスまたは自然言語処理における階乗の隠れマルコフモデルに基づいたさまざまなアプリケーションがあります。彼の著書「Learning in Graphical Models（MIT Press、1998）」も読む価値があります（BUGSコードを使用した構造モデリングへのGMの適用、pp。575-598）

ニューラルネットワークは事前分布を必要としませんが、ニューラルネットワークの各隠れノード（ニューロン）はCPD-線形ノードのノイズの多いOR / AND CPD-ロジスティックノードのSigmoid CPDと見なすことができます

したがって、ニューラルネットワークは、それぞれが線形/シグモイドCPDを持つ複数の隠れノードの層と見なすことができます

CourseraのKollerのクラスまたは彼女の教科書は、CPDの種類の良い参考になるはずです。