Representación gráfica bipartita de la factorización de una función multivariante (habitualmente una probabilidad conjunta o una verosimilitud) en la que los nodos de variables se conectan a nodos factor que representan funciones locales; esta estructura hace explícitas las dependencias locales y soporta algoritmos de paso de mensajes como suma–producto y max–producto para marginalización o inferencia MAP.

Principio

Principio de cálculo local: cantidades globales (marginales o asignaciones argmax) pueden calcularse mediante mensajes locales intercambiados entre nodos de variable y nodos factor; la exactitud se mantiene en árboles y en grafos con ciclos iterativos se obtienen aproximaciones prácticas.

Demostración

Escenario ilustrativo → Decodificación de un código corrector de errores binario lineal: la factorización por comprobaciones de paridad se representa en un grafo de factores donde los nodos de variable son bits de código y los nodos factor imponen las comprobaciones; propagation de creencias (suma–producto) pasa mensajes para estimar marginales de bits y guiar las decisiones de decodificado.

Aplicación incorrecta

Interpretar las creencias producidas por belief propagation iterativa (loopy) como marginales exactas sin reconocer que son aproximaciones; en grafos con muchos ciclos cortos el algoritmo puede converger a creencias sesgadas o inestables que parecen plausibles pero no están justificadas.

Consecuencia

Cuando la factorización es explícita y la estructura del grafo es adecuada (tipo árbol o dispersa), el paso de mensajes ofrece estimaciones marginales o MAP eficientes; aplicado fuera de esas condiciones proporciona aproximaciones escalables que requieren validación empírica o métodos alternativos (inferencia variacional, muestreo) cuando se necesitan garantías de precisión.

Inversión

El principio de paso de mensajes pierde exactitud en grafos con ciclos no triviales o alta treewidth; en esos casos hay que recurrir a inferencia por árbol de unión (a menudo inviable), aproximaciones variacionales o métodos Monte Carlo — o rediseñar la factorización para explotar independencias condicionales.

Límite

Clearly within: variables discretas con factores locales que se multiplican para formar la función conjunta y un grafo de factores bipartito y disperso. Boundary case: factores densamente conectados con grandes alcances o variables híbridas discretas–continuas. Clearly outside: representaciones que no factoricen la función objetivo o modelos con factores no locales que no pueden expresarse como funciones por nodo.

Tensión semántica

Modularidad explícita (factorización clara y algoritmos locales) frente a la complejidad del modelo (factores grandes o conectividad densa aumentan el coste computacional y pueden anular los beneficios modulares).

Síntesis

Los grafos de factores hacen explícita la factorización algebraica subyacente y la convierten en una plantilla algorítmica: cuando existe localidad, el paso de mensajes aprovecha la factorización para una inferencia eficiente; si la localidad falla, la misma representación explica por qué la inferencia exacta se vuelve intratable.