为什么需要联结树：
当Graphical model不再是树形结构的时候，factor graph并不能保证有一致的解，我们需要将原本的概率图构造为一种树形结构的图，能够在这种数据结构上执行类似factor tree中的message passing，最终得到我们所感兴趣的分布。
- 它并没有解决fator tree中intractable的问题，在极端情况下仍然是指数的时间复杂度，在原图为tree时，是线性的。
- 原本的图有回路时，JTA提供一种inference的方式，并且能够得到正确的解，而factor tree不能。
- JT和factor graph同样都是一种数据结构，他们并不改变独立性假设。只是作为inference的中间工具。
什么是联结树：
通俗的说：原本的图有环(如果是长度大于3的环需要映入chord)，那么我们可以将几个相邻的节点合并为一个大的节点，可以消除原本存在的环。把所有原本存在的环路变为一个个超级节点，图就变成了树，这就是junction tree 能够hold主环路的原因
通过证明，无论是贝叶斯网络还是马儿克夫网络的联合概率都能够表示成:
absorption：clique graph 通过前向后向传播（每条边都有两个方向），修正后的potential对应于clique的边缘概率。
message-passing调度：一个clique可以向另一个相邻clique发送信息，只有当它接收了除了这个点之外所有相邻clique的message时。
如果一个变量出现在一个环中的每条sep上时，我们可以随便选择一个sep，将这个变量删除（brml p105），如果这个sep变为空，则可以删除相应的边，从而获得clique tree。
Running intersection property： if a node appears in two cliques,it apprears everywhere on the path between the cliques
只有满足了RIP，才能得到全局的一致性。（如果不满足RIP，那么就不能通过message-passing 将这个node的信息共享给所有的clique，自然不能满足一致性）
构建联结树的具体步骤（原图是树形的）：
- 如果是有向图的话，需要先moralised，将有共同孩子的节点相连，无向图不需要（背后的原因是：p(x|a,b) 是由三个节点共同决定的函数，可以认为三个点是一个超级节点。而对于无向图来说不需要，因为$p(x,a,b) = \phi(x,a)\phi(x,b)$，不需要将a，b相连。
- 构造一个clique graph，确定哪些变量组成cliques，如果相邻clique有交集，则加一个sep在两个clique之间
- 对于一个原本就是树形结构的图，它的clique graph的最大支撑树就是junction tree（最大指的是整棵树的sep中bianliang）
- 每个clique的potential等于这个clique中的所有变量的条件概率相乘。而separator 的potential设为1
构建联结树的具体步骤（原图不是树形的）：
当原图有环时，variable elimination 消除变量时，消除变量的相邻变量需要连边，这会引入新的边。
Triangulated Graph： 所有的长度大于3的环，必须引入弦（chord）（对应于variable elimination中新增加的边）
但是引入chord的顺序不同，可能导致clique 的大小不同，而junction tree 的性能瓶颈在于clique的大小。（我们只能通过贪心来让最大的clique尽量小）
Greedy variable elimination：
- 先消除不增加边的节点
- 没有上述的节点时，先消除邻居数量最少（或是clique table size小）的节点
直到所有节点都被消除掉
如果原图已经有chord，那么消除变量不需要引入新的边。
通过这种variable elimination中新加的边，就是JT的chord
完整的JTA步骤:
- Moralisation:链接有向图的父母
- Triangulation ：保证所有长度大于4的环有chord
- Junction tree：从clique graph 中找到最大支撑树
- Potential Assignment：将原来各个变量的条件概率乘入到所属clique的potential中
- Message Propagation： 每条边的两个方向都需要做一次message passing
最终clique的potential就是边缘概率。
只有原图为树形时，JTA才是线性的时间复杂度
当所求的分布不在同一个clique中时，需要的计算复杂度为指数形式
