我搜索了很多文献，但未能找到两者之间的确切区别。我的印象是，在机器学习文献中你会发现分层贝叶斯建模的典故，但在统计学文献中你很少会发现 PGM 的典故。希望你们能消除我的困惑。我有一些具体的问题，但很乐意让有经验的人向我解释他们的直觉。（我即将开始认真研究这些东西，这就像在我的大脑中“铺平道路”，或者类似的东西。）
任何描述这两个概念的文献将不胜感激。非常感谢！
首先，我想让你看看这个癌症发病率建模的例子。
https://stats.stackexchange.com/a/86231/29568
图形模型是对模型中随机变量之间的独立性进行编码的图形。具有随机变量假设的图形模型可以为我们提供给定参数的联合分布。我们可能知道也可能不知道图形模型的参数。我们可能会或可能不会将先验放在参数上，并且可能会或可能不会将先验放在先验上。
分层贝叶斯更多的是在更高层次上共享共同事物，同时在更细粒度的层次上具有变化。另一种看待这一点的方式是数据生成过程，因为我们在多个级别的未知数量（通常以板的形式）中对变量进行采样。我们也可以将其视为旨在计算后验，但为此我们需要指定先验，其中是超参数。很可能我们不知道是什么。一种更贝叶斯的方法是将先验放在上。
因此，在这种情况下，简单的层次结构可能是。
分层贝叶斯是关于建模的。推理在这里是一个不同的问题。JTA 或消息传递可以在 DAG 或 MN 上完成（DAG 可以通过诸如道德化之类的操作转换为 UGM）。同样在学习概率表方面，参数本身是表并且是固定的（可以由 MLE 完成）。通过更加贝叶斯，我的意思是我想对表格估计中的不确定性进行建模，并且我想对表格上的分布进行建模，即在这种情况下分布在离散分布上。通过类似的论点，我们希望对超参数中的不确定性进行建模并设置它们的先验。
在图形模型、指数族和变分推理中的第 2.4.1 节中有对该主题的简要参考
我的理解是层次模型可以用 DAG 来表示。因此，我们所有关于概率图模型的知识都适用。一个区别（这并不是真正的区别）是在分层模型中，通常包含超先验。或者至少在层次模型的上下文中更频繁地讨论超先验。