##  [Graphes de Facteurs](/fr/node/71908) 

 Définition

Représentation graphique bipartite d'une factorisation d'une fonction multivariée (typiquement une probabilité conjointe ou une vraisemblance) où des nœuds de variables sont reliés à des nœuds facteurs représentant des fonctions locales ; cette structure explicite les dépendances locales et soutient directement des algorithmes de passage de messages tels que somme–produit et max–produit pour la marginalisation ou l'inférence MAP.

 

 

 

 

 

 





## Principe

Principe

Principe de calcul local : des quantités globales (marginales ou assignations argmax) se calculent par des messages locaux échangés entre nœuds variables et nœuds facteurs ; l'exactitude tient sur les arbres et des approximations pratiques résultent du passage itératif de messages sur des graphes avec cycles.

 

 

 

 

 





## Démonstration

Démonstration

Scénario illustratif → Décodage d'un code correcteur d'erreurs binaire linéaire : la factorisation par contrôles de parité se représente par un graphe de facteurs où les nœuds variables sont les bits et les nœuds facteurs imposent les contraintes de parité ; la propagation de croyances (somme–produit) échange des messages pour estimer les marginales de bits et orienter le décodage.

 

 

 

 

## Mauvaise application

Mauvaise application

Interpréter comme exactes les croyances produites par une propagation de croyances itérative (loopy) sans reconnaître l'approximation ; sur des graphes avec beaucoup de cycles courts l'algorithme peut converger vers des croyances biaisées ou instables tout en produisant des estimations apparemment plausibles mais non justifiées.

 

 

 

 

 





## Conséquence

Conséquence

Lorsque la factorisation est explicite et la structure du graphe favorable (arborescente ou parcimonieuse), le passage de messages fournit des estimations marginales ou MAP efficaces ; appliqué au-delà de ces conditions, il propose des approximations évolutives nécessitant une validation empirique ou des méthodes alternatives (inférence variationnelle, échantillonnage) si l'on exige des garanties de précision.

 

 

 

 

## Inversion

Inversion

Le principe de passage de messages perd son exactitude sur des graphes avec cycles non triviaux ou forte treewidth ; dans ces cas il faut recourir à l'inférence exacte par arbre de jonction (souvent irréalisable), à des approximations variationnelles ou à des méthodes Monte‑Carlo — ou repenser la factorisation pour exploiter des indépendances conditionnelles.

 

 

 

 

 





## Limite

Limite

Clearly within: variables discrètes avec facteurs locaux qui se multiplient pour former la fonction conjointe et un graphe de facteurs bipartite parcimonieux. Boundary case: facteurs fortement connectés impliquant de grandes portées de facteur ou variables hybrides discret–continu. Clearly outside: représentations qui ne factorisent pas la fonction cible ou modèles où les facteurs sont non locaux et ne peuvent s'exprimer comme fonctions de nœud.

 

 

 

 

 





## Tension sémantique

Tension sémantique

Modularité explicite (factorisation claire et algorithmes locaux) versus complexité du modèle (facteurs de grande taille ou connectivité dense augmentent le coût computationnel et peuvent effacer les bénéfices modulaires).

 

 

 

 

 





## Synthèse

Synthèse

Les graphes de facteurs rendent explicite la factorisation algébrique sous-jacente et la transforment en un canevas algorithmique : quand la localité est présente, le passage de messages exploite la factorisation pour une inférence efficace ; lorsque la localité disparaît, la même représentation montre pourquoi l'inférence exacte devient inabordable.