Eine bipartite graphische Darstellung der Faktorisierung einer multivariaten Funktion (typischerweise einer gemeinsamen Wahrscheinlichkeitsdichte oder Likelihood), wobei Variablenknoten mit Faktorknoten verbunden sind, die lokale Funktionen repräsentieren; diese Struktur macht lokale Abhängigkeiten explizit und unterstützt direkt Nachrichten‑Passing‑Algorithmen wie Sum–Product und Max–Product zur Marginalisierung oder MAP‑Inference.

Prinzip

Prinzip der lokalen Berechnung: globale Größen (Marginalen oder Argmax‑Zuweisungen) lassen sich durch lokale Nachrichten berechnen, die zwischen Variablen‑ und Faktorknoten ausgetauscht werden; Exaktheit gilt auf Bäumen, iterative Nachrichten auf loopy Graphen liefern praktische Approximationen.

Demonstration

Illustratives Szenario → Dekodierung eines binären linearen Fehlerkorrekturcodes: die Paritätsprüffaktorisierung wird als Faktorgraph dargestellt, wobei Variablenknoten Codebits und Faktorknoten Paritätsprüfungen sind; Belief‑Propagation (Sum–Product) sendet Nachrichten, um Bit‑Marginalen zu schätzen und Dekodierungsentscheidungen zu treffen.

Fehlanwendung

Die durch iterative (loopy) Belief‑Propagation erhaltenen ‚Beliefs‘ als exakte Marginalen zu interpretieren, ohne die Approximativität anzuerkennen; auf Graphen mit vielen kurzen Zyklen kann der Algorithmus zu verzerrten oder instabilen Ergebnissen konvergieren, die zwar plausibel erscheinen, aber nicht gerechtfertigt sind.

Konsequenz

Ist die Faktorisierung explizit und die Graphstruktur geeignet (baumartig oder dünn), liefert Nachrichten‑Passing effiziente Marginal‑ oder MAP‑Schätzungen; bei Anwendung außerhalb dieser Bedingungen liefert es skalierbare Approximationen, die empirisch validiert oder durch variationale bzw. stochastische Methoden ersetzt werden sollten, wenn Genauigkeitsgarantien erforderlich sind.

Umkehrung

Das Nachrichten‑Passing‑Prinzip verliert auf Graphen mit nichttrivialen Zyklen oder hoher Treewidth seine Exaktheit; in solchen Fällen sind Junction‑Tree‑Inference (oft unpraktikabel), variationelle Approximationen oder Monte‑Carlo‑Methoden nötig — oder eine Neugestaltung der Faktorisierung, um bedingte Unabhängigkeiten zu nutzen.

Abgrenzung

Clearly within: diskrete Variablen mit lokalen Faktoren, die zur gemeinsamen Funktion multipliziert werden, und ein spärlicher bipartiter Faktorgraph. Boundary case: dicht verbundene Faktoren mit großen Faktorskoppen oder hybride diskret–kontinuierliche Variablen. Clearly outside: Repräsentationen, die die Ziel‑Funktion nicht faktorieren oder Modelle mit nichtlokalen Faktoren, die sich nicht als Knotfunktionen ausdrücken lassen.

Semantische Spannung

Explizite Modularität (klare Faktorisierung und lokale Algorithmen) versus Modellkomplexität (große Faktoren oder dichte Vernetzung erhöhen die Berechnungskosten und können die modularen Vorteile aufheben).

Synthese

Faktorgraphen legen die algebraische Faktorisierung offen und liefern ein algorithmisches Template: wenn Lokalität vorliegt, nutzt Nachrichten‑Passing die Faktorisierung für effiziente Inferenz; bricht die Lokalität zusammen, erklärt die Darstellung, warum exakte Inferenz unpraktikabel wird.