マルコフ確率場（MRF）とは、変数間の相互依存関係を無向グラフで表現する確率的グラフィカルモデルの一種です。ある変数の状態が隣接する変数のみに依存するという局所的なマルコフ性を持ち、画像処理や空間データ解析など、方向性のない双方向の相関関係をモデル化する際に広く利用されています。
マルコフ確率場とは
マルコフ確率場とは、複数の確率変数の相互作用を方向性のない無向グラフで表し、近傍との局所的な依存関係を通じて全体の同時確率分布を表現する確率的グラフィカルモデルです。
詳しく解説
マルコフ確率場は、システム内の各要素（確率変数）をノードとし、それらの直接的な関連性をエッジ（辺）でつなぐ無向グラフ構造を持ちます。その最大の特徴は「マルコフ性」にあり、あるノードの条件付き確率は、直接隣接するノードの情報さえあれば他のすべてのノードから独立になるという性質を備えています。グラフ全体の確率分布は、互いに接続されたノード群ごとに定義されるポテンシャル関数の積として表されます。統計力学のイジングモデル等に起源を持ち、画像のように隣接ピクセル同士が互いに影響し合うような、因果関係の向きが存在しない多次元の相関構造を直感的に記述できる点が重要視されています。
具体例・使われ方
マルコフ確率場は、コンピュータビジョンにおける画像セグメンテーションやノイズ除去に広く応用されています。例えば画像ノイズ除去では、各ピクセルが本来持つ色の確率と、隣接するピクセル同士が似た色になりやすいという空間的平滑性の制約をポテンシャル関数でモデル化し、最も尤もらしい全体画像を復元します。また、空間統計学における地理データのクラスタリングや、自然言語処理の系列ラベリングを発展させた条件付き確率場の基礎理論としても利用されています。
似た用語との違い
有向グラフで因果関係や時間的順序を表すベイジアンネットワークと異なり、マルコフ確率場は無向グラフを用いるため、双方向の相互作用を表現するのに適しています。また、入力データ全体を与件としてラベルの条件付き分布を直接学習する条件付き確率場は、マルコフ確率場を識別モデルへと拡張した枠組みにあたります。
注意点
マルコフ確率場では、全体の確率を1に正規化するための分配関数の計算が、ノード数や結合の複雑さに応じて爆発的に増大するため、厳密解の計算が困難になるという課題があります。そのため、実際の推論や学習ではギブスサンプリングなどのMCMC法や確率伝搬法、変分近似などの近似アルゴリズムに依存することが一般的です。また、有向グラフと異なり因果関係の明確な表現には適していない点にも留意する必要があります。