ベイジアンネットワークは、複数の事象間の因果関係や依存関係を方向付きのグラフ構造（有向非巡回グラフ）と確率論を用いて表現する確率グラフィカルモデルです。不確実な状況下での推論や意思決定を、条件付き確率を組み合わせることで効率的に行うことができ、医療診断や故障検知など幅広い分野で活用されています。
ベイジアンネットワークとは
ベイジアンネットワークとは、複数の要因や出来事の間に存在する因果関係や依存関係を、矢印で結んだ図（有向非巡回グラフ）と確率（条件付き確率）によってモデル化した確率グラフィカルモデルの一種です。
詳しく解説
ベイジアンネットワークは、ベイズ統計学を基礎としており、不確実性を伴う複雑な現象を構造化して表現するのに優れています。モデル全体は、各事象を表す「ノード（点）」と、依存関係を示す向きのある「エッジ（矢印）」から構成され、循環する経路を持たない有向非巡回グラフ（DAG）の形をとります。各ノードには、親ノードの状態に依存する条件付き確率テーブル（CPT）が割り当てられており、これらを掛け合わせることで、システム全体の同時確率分布を効率的に計算できます。事象の一部が実際に観測されて事実（証拠）が確定した際、その情報を元に他の事象が発生する確率を逆算（事後確率の更新）できる点（確率的推論）が大きな特徴であり、原因から結果の予測、結果から原因の推定（逆問題）の双方向からアプローチ可能です。
具体例・使われ方
具体的な利用例として、医療診断システムが挙げられます。『患者の症状（咳、熱）』『生活習慣（喫煙など）』『病気の有無』をノードとし、因果関係をエッジで結びます。医師が『患者が咳をしている』という観測データを入力すると、背後にある特定の病気の確率がベイジアンネットワークを通じて自動計算されます。その他にも、工場の機械設備の故障診断、電子メールのスパムフィルター、マーケティングにおける顧客行動の予測、意思決定支援システムなどで広く応用されています。
似た用語との違い
混同されやすい概念にマルコフネットワーク（マルコフランダムフィールド）があります。ベイジアンネットワークが『矢印（有向）』を用いて因果関係や一方向の依存関係を表すのに対し、マルコフネットワークは『矢印のない線（無向）』を用いて対称的な相互作用や空間的な隣接関係を表します。また、機械学習の分類器である単純ベイズ分類器（ナイーブベイズ）は、すべての特徴量がクラスに対して独立であるという極めて単純な仮定を置いたモデルであり、ベイジアンネットワークの最もシンプルな特殊例（すべての特徴量ノードがクラスノードを親に持つ構造）と言えます。
注意点
注意点として、実データからベイジアンネットワークの構造を自動的に学習する『構造学習』は、計算量が膨大になりやすい（NP困難）という課題があります。そのため、ノード数が多い大規模なネットワークでは、近似アルゴリズムや専門家のドメイン知識を用いた手動設計を組み合わせる必要があります。また、ノード間に循環（ループ）が存在する関係（例えば、AがBの原因であり、BもまたAの原因であるような双方向関係）は、有向非巡回グラフの制約上、直接表現することができません。さらに、条件付き確率の設定において、データの偏りや不十分なサンプルサイズから、信頼性の低い確率が算出されるリスクにも配慮が必要です。