---
title: "貝葉斯網路（Bayesian Networks）"
slug: bayesian-networks
language: zh-TW
source: https://aiterms.tw/terms/bayesian-networks
updated_at: 2026-06-23
tags: [機器學習, 貝葉斯方法, 圖模型, 機率推論, 深度學習]
ipas_term: false
---

# 貝葉斯網路（Bayesian Networks）

用有向無環圖與條件機率表表示變數間依賴關係的概率圖模型，支援推論與學習。

## 完整說明

貝葉斯網路（Bayesian Networks，又稱信念網路或有向無環圖模型）是概率圖模型的一種，透過有向無環圖的拓撲結構表示變數間的條件獨立性，並用條件機率表（Conditional Probability Table，CPT）指定父節點給定時子節點的條件分布。貝葉斯網路將複雜的聯合機率分布分解為易於理解與計算的乘積，支援由觀測證據進行機率推論、參數學習與結構學習。

## 常見問題

### 貝葉斯網路的箭頭一定代表因果關係嗎？

不一定。貝葉斯網路的箭頭在數學上只代表條件依賴（或說父節點與子節點不條件獨立），不一定是因果關係。例如，結構 P(A, B, C) = P(A) × P(B | A) × P(C | A) 表示 B 與 C 都依賴 A，箭頭可以是 A → B 與 A → C（A 因果影響 B 與 C），也可以是相反方向 B → A 與 C → A（B 與 C 都導致 A），只要滿足聯合分布的因子分解就行。從資料上看，兩種因果結構可能無法區分。因此，貝葉斯網路是純粹的概率模型，要判定箭頭是否代表因果必須結合領域知識或實驗干預。在應用時，若要進行因果推理，應明確陳述哪些箭頭被解釋為因果，並提供理由。

### 大規模貝葉斯網路的推論有多慢？

這取決於網路的拓撲結構。若網路是樹狀（tree-structured，每個節點最多一個父節點），推論時間與節點數成線性關係，非常高效。但對於含有許多父節點或環結構（不是 DAG）的網路，精確推論可能指數級複雜。實踐中，大規模網路（數千個節點）通常無法進行精確推論，轉而使用近似方法如採樣、變分推論或啟發式方法。另一個策略是利用網路的結構稀疏性：在馬可夫毯內進行局部推論，不需處理整個網路，可大幅加速。現代軟體庫（如 PyMC、Stan、pgmpy）提供了高效的推論引擎，自動選擇適切的算法。

### 貝葉斯網路和深度學習的生成模型（如生成對抗網路）有什麼區別？

兩者都是概率模型，但應用與計算方式不同。貝葉斯網路對變數間的依賴關係做了明確的圖形化假設，導致聯合分布能因子分解為小規模條件分布的乘積，便於推論與解釋，但假設過於簡單時可能無法捕捉複雜的高維資料結構。深度生成模型（如 VAE、GAN）利用深層神經網路學習高維資料的複雜非線性變換，能表達極其複雜的分布，但模型結構不透明，難以進行明確的因果推理或符號化查詢。貝葉斯網路適合小規模、需要推理與可解釋性的問題；深度模型適合大規模高維資料的生成任務。兩者也可融合（如構築貝葉斯深度網路），以期兼得兩者優勢。

---

來源：https://aiterms.tw/terms/bayesian-networks
快查頁：https://aiterms.tw/terms/bayesian-networks
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-bayesian-networks