我们不需要做任何疯狂的事情来证明这一点，我们可以简单地利用 UAT。

通过通用逼近定理，是的，您可以设想一个与您的贝叶斯网络精确匹配的神经网络。

我会说是的。

正如 Jacob 巧妙地指出的那样，通用逼近算法。可以用来证明事实。

事实上，由于神经网络非常灵活，由于其可移植的结构定义和可供选择的大量激活函数，我不明白为什么贝叶斯网络不能被神经网络模仿。但是，根据我在研究和编码深度信念网络方面的经验，我建议你不要在家里尝试这个。 因为，你经常会遇到非常复杂的网络。:D

但是，我对反之亦然的过程持怀疑态度。（由于我对贝叶斯网络的了解有限）

正如 Jacob Panikulam 所指出的，通用逼近定理给了你答案。所以...

是的。但请注意，无论如何这对 GLM、SVM 都是有效的......所以......

神经网络不会和贝叶斯网络一样吗？

是的，它确实如此，与任何其他模型一样。

请注意，这不会反过来发生，贝叶斯网络无法对某些类型的依赖关系建模，例如循环依赖关系。此外，所有贝叶斯网络结构学习算法都假设忠实度，因此它们在某些类型的自变量和条件因变量上表现非常糟糕：请参阅Is there a Probabilistic Graphical Model for this Situation？

注意事项：请不要误以为您应该只学习和使用神经网络。统计学习简介彻底解释了原因。