##  [Faktorgraphen](/de/node/71908) 

 Definition

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

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

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

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

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

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

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

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

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.