经典模型如马尔可夫随机场 (MRF)

马尔可夫随机场（Markov Random Field, MRF）是概率图模型的一种，其核心在于利用无向图结构刻画变量间的依赖关系。与有向图模型不同，MRF 假设图中任意两个非相邻节点在给定其邻居节点的情况下条件独立。该模型通过定义节点上的势函数（Potential Function）及其乘积作为联合概率分布，能够优雅地处理高维变量间的复杂耦合，广泛应用于图像分割、自然语言处理及生物信息学等领域，是连接统计物理与机器学习的重要桥梁。

在现代计算架构与机器学习生态中，马尔可夫随机场扮演着处理非结构化数据与空间依赖关系的基石角色。它超越了传统线性模型的局限，为理解复杂系统中的局部交互提供了严谨的数学框架。尽管其计算复杂度随节点数呈指数级增长，但在结合图割算法、条件随机场（CRF）及变分推断等现代技术后，已成为计算机视觉、语音识别及推荐系统不可或缺的理论基础，支撑着从像素级分析到语义级理解的完整链路。