今天，在一次讲座中，有人声称贝叶斯网络中边的方向并不重要。它们不必代表因果关系。
很明显，您不能在贝叶斯网络中切换任何一条边。例如，让 和 和 . 如果你愿意换 到 ， 然后 将不再是非周期性的，因此不再是贝叶斯网络。这似乎主要是一个实际问题如何估计概率。这种情况似乎很难回答，所以我将跳过它。
这让我问了以下问题，我希望在这里得到答案：
TL；DR：有时您可以通过反转箭头来制作等效的贝叶斯网络，有时则不能。
简单地反转箭头的方向会产生另一个有向图，但该图不一定是等效贝叶斯网络的图，因为反向箭头图表示的依赖关系可能与原始图表示的依赖关系不同。如果反向箭头图表示与原始图不同的依赖关系，则在某些情况下，可以通过添加更多箭头来捕获反向箭头图中缺失的依赖关系，从而创建等效的贝叶斯网络。但在某些情况下，不存在完全等效的贝叶斯网络。如果您必须添加一些箭头以捕获依赖项，
例如，a -> b -> c表示与 相同的依赖关系和独立性a <- b <- c，与 相同a <- b -> c，但与 不同a -> b <- c。如果没有观察到，最后一张图表示a并且c是独立的，但在这种情况下表示并且是依赖的。我们可以直接从to添加一条边来捕获它，但是没有表示观察到时的独立性。这意味着在计算后验概率时，至少有一个我们不能利用的因式分解。ba <- b -> cacacacb
所有这些关于依赖/独立、箭头及其反转等的内容都包含在贝叶斯网络的标准文本中。如果你愿意，我可以挖掘一些参考资料。
贝叶斯网络不表达因果关系。Judea Pearl 在贝叶斯网络方面做了很多工作，他还研究了他所谓的因果网络（本质上是用因果关系注释的贝叶斯网络）。
这可能有点不满意，所以请不要接受这个答案，并提前道歉。
在贝叶斯网络中，节点代表随机变量，边代表条件依赖。当您以某种方式解释节点时，条件作用自然会以某种方式流动。在建模数据的上下文中，任意反转它们并没有真正的意义。很多时候，箭头确实代表了因果关系。
synergy.st-andrews.ac.uk/vannesmithlab声称这些图表
G1 = o->o->o and
G2 = o<-o->o
属于一个等价类。根据该来源，这些模型代表完全相同的联合概率分布。