1 基本定义
d-分离是有向无环图中描述条件独立关系的一种判定规则。它不直接计算概率数值，而是通过图中的路径结构来判断：在给定一组条件变量后，两组变量之间是否还存在可以传递统计信息的通路。若所有相关路径都被阻断，则称这两组变量在图上被 d-分离。
这一概念之所以重要，在于它把抽象的概率关系转化为可视化的图结构判断，使得贝叶斯网络、因果图和其他概率图模型能够更系统地处理推断问题。
1.1 有向无环图中的路径
d-分离建立在有向无环图之上。图中的节点表示变量，带方向的边表示变量之间的依赖指向，而“无环”意味着沿着边的方向前进时不会回到起点。
在这样的图里，一条路径只要不重复节点，就可以连接两个变量集合。判断 d-分离时关注的不是边的方向是否完全一致，而是这条路径在条件集给定后是否仍然“畅通”。
1.2 条件独立与图结构
条件独立是概率论中的核心概念，表示在已知某些变量后，另外两组变量之间不再提供额外信息。d-分离提供了一种纯图论的方式来识别这种关系。
在贝叶斯网络中，如果两个节点集合被某个条件集 d-分离，通常意味着在满足模型假设的前提下，它们对应的随机变量满足条件独立。这使得图结构能够直接服务于推断与简化计算。
1.3 d-分离的形式化表述
d-分离的形式化定义依赖于路径上的节点类型及其与条件集的关系。若从一组变量到另一组变量的每一条路径都被条件集阻断，则这两组变量被 d-分离；反之，只要存在一条未被阻断的路径，就称它们 d-连接。
这一表述的关键在于“阻断”如何定义。不同类型的路径中间点，对条件集的敏感性并不相同。
1.3.1 非碰撞点与碰撞点
路径中的中间节点若有一条边进入、另一条边离开，且方向呈链式或分叉式结构，则通常称为非碰撞点。若两条箭头都指向该节点，则称为碰撞点，也常被称作汇聚点。
这两类节点在路径是否被打开的问题上作用相反：非碰撞点被条件化后往往会阻断路径，而碰撞点则通常在未被观察时阻断，在被观察时反而可能开启路径。
1.3.2 被阻断路径与激活路径
若一条路径上的某个非碰撞点落入条件集，或者某个碰撞点及其后代未满足开启条件，则该路径被认为是阻断的。阻断意味着信息无法沿该路径传递。
相对地，若路径上的所有中间结构都满足允许传递信息的条件，则该路径是激活的。激活路径是判断 d-连接的基础。
1.3.3 d-连接与d-分离的判定
当两个节点集合之间至少存在一条激活路径时，它们在给定条件集下 d-连接。若不存在任何激活路径，则它们被 d-分离。
因此，d-分离并不是针对单一路径的结论，而是对两组节点之间全部可能路径的综合判断结果。
1.4 相关术语辨析
d-分离的讨论中常出现节点、边、祖先、后代等术语。准确区分这些概念，有助于避免在路径判定中混淆图结构与概率关系。
1.4.1 节点、边与祖先
节点代表变量，边代表有向依赖关系。若从某节点出发沿箭头方向可到达另一节点，则前者可视为后者的祖先。
祖先概念在碰撞点判定中特别重要，因为某些路径是否开启，不仅取决于碰撞点本身是否被观察，还取决于其后代是否被纳入条件集。
1.4.2 后代与路径方向
后代是沿有向边方向可由某节点到达的所有节点。路径方向并不要求整条路径完全顺向，但方向信息会影响一个节点在该路径中属于非碰撞点还是碰撞点。
在 d-分离分析中，路径并非简单的无向连线，而是需要结合箭头方向逐点检查。
2 判断规则
d-分离的判断规则可以概括为：先找出连接两组节点的所有路径，再逐条检查路径上的中间节点是否使路径阻断。不同结构会呈现不同的判定模式。
2.1 链式结构中的阻断
链式结构通常表现为 A → B → C。若 B 被条件化，A 与 C 之间的路径一般被阻断，因为中间节点不再允许信息沿链条继续传播。
这类结构说明，即使 A 与 C 在图上相连，给定中间变量后，二者也可能在统计上失去依赖关系。
2.2 分叉结构中的阻断
分叉结构通常表现为 A ← B → C。若中心节点 B 已知，则 A 与 C 往往被 d-分离，因为共同原因已经被解释，剩余联系被削弱或消除。
这种情形常用于说明“共同原因”对两个结果变量所产生的表面关联。
2.3 汇聚结构中的激活
汇聚结构通常表现为 A → B ← C。它与链式和分叉式结构正好相反：在没有观察 B 及其后代时，A 与 C 通常相互独立；一旦观察了 B 或其后代，路径就可能被打开，A 与 C 之间出现依赖。
这种“观察后反而关联增强”的现象，是 d-分离最具代表性的直观特征之一。
2.3.1 观察碰撞点时的路径开启
当碰撞点本身被纳入条件集时，原本阻断的路径会变为激活。此时，路径两端的变量会通过该节点产生统计联系。
这类开启效应常被用来解释选择偏差或条件化导致的相关性变化。
2.3.2 观察碰撞点后代时的路径开启
即使没有直接观察碰撞点，只要其后代被观察，也可能间接开启该碰撞点所对应的路径。原因在于后代的信息会反向影响对碰撞点状态的推断，从而引入新的依赖。
因此，在判定 d-分离时，不能只看条件集是否包含碰撞点本身，还要检查其后代是否进入条件集。
2.4 多路径情形下的综合判定
实际图模型中，两个节点集合之间往往不止一条路径。此时需要逐条判断每条路径是否被阻断，只有当所有路径都被阻断时，才能得出 d-分离结论。
这一综合规则使得 d-分离具有全局性，也决定了复杂网络中的推理往往需要系统化算法支持。
3 理论性质
d-分离不仅是一种图上规则，也具有明确的理论含义。它将概率论中的条件独立、图模型中的结构约束以及马尔可夫性质联系起来，形成统一的推理框架。
3.1 与条件独立的对应关系
在满足适当概率分布假设时，d-分离与条件独立之间存在对应关系：图上被 d-分离的变量集合，往往在概率意义上满足条件独立。
这一对应关系使图结构能够作为概率关系的压缩表达，从而减少参数数量并简化分析过程。
3.2 与马尔可夫性质的联系
马尔可夫性质描述的是局部结构与概率依赖之间的关系，而 d-分离正是表达这种关系的重要工具。不同版本的马尔可夫性质，都可以借助 d-分离来刻画。
3.2.1 局部马尔可夫性质
局部马尔可夫性质强调：在给定某节点的父节点后，该节点与其非后代通常条件独立。d-分离为这种陈述提供了图论依据。
这意味着，节点的直接上游结构往往已经包含了其主要依赖信息，额外的远端变量不一定再提供新的解释力。
3.2.2 全局马尔可夫性质
全局马尔可夫性质进一步指出：只要图上两组变量被某条件集 d-分离，它们就应当条件独立。它是从整体图结构出发描述概率关系的更强表述。
在贝叶斯网络理论中，全局马尔可夫性质是连接结构与分布的重要桥梁。
3.3 与贝叶斯网络一致性
贝叶斯网络由有向无环图和与之对应的概率分布共同构成。若分布满足图上的 d-分离所暗示的所有条件独立关系，则称其与该网络结构相容或一致。
一致性保证了图并非只是形式化图示，而是真正承载概率语义的建模工具。
3.4 图论层面的不变性
d-分离具有较强的结构稳定性：只要图的有向无环结构不变，相关的阻断与开启关系就保持一致。它不依赖具体的概率参数，而依赖边的连接方式与方向安排。
因此，d-分离适合用于结构层面的分析、比较和推理，而不必在每一步都进入数值计算。
4 计算与算法
由于复杂图中路径数量可能很多，人工逐条检查往往效率较低。实际应用中，d-分离通常通过专门算法完成，以保证可重复性与计算效率。
4.1 d-分离判定算法
典型判定方法会围绕“是否存在激活路径”展开。算法输入为图、目标节点集合和条件集，输出为是否 d-分离。
常见思路是先找出与目标相关的路径结构，再依据非碰撞点与碰撞点规则判断路径是否可通行，最终合并所有结果得出结论。
4.2 图搜索与祖先集构造
为了高效判断碰撞点及其后代是否被条件化，算法通常会先构造祖先集或相关子图。这样可以减少不必要的路径搜索，并将问题限制在可能影响判定的局部范围内。
这种预处理在大型网络中尤其重要，因为它能显著降低后续检查的复杂度。
4.3 复杂度分析
d-分离判定的复杂度取决于所采用的方法和图的规模。朴素做法可能需要枚举大量路径，而更优化的算法则能通过图遍历与结构剪枝将成本压缩到可接受范围。
在理论计算机科学与人工智能系统中，d-分离之所以受重视，也因为它兼具表达力与可计算性。
4.4 自动推理中的实现方式
在自动推理系统中，d-分离常作为底层模块嵌入到概率图模型引擎里。系统可据此自动识别可忽略的依赖、筛除冗余边缘关系，并辅助生成简化后的推断子问题。
这使得复杂网络的推理过程更接近模块化处理，而不是全局穷举计算。
5 应用
d-分离在概率图模型中用途广泛，既能支持推断，也能服务于变量筛选、因果分析和结构学习等任务。
5.1 贝叶斯网络中的推断
在贝叶斯网络中，d-分离帮助识别哪些变量在给定观测后可以被视为独立，从而减少需要联合计算的变量数量。
这类简化对推断效率影响很大，尤其适用于节点众多、依赖关系复杂的模型。
5.2 变量选择与特征筛除
在统计建模和机器学习中，d-分离可用于判断某些特征是否已经被其他变量充分解释。若变量与目标在条件下被 d-分离，则它对预测可能不再提供额外信息。
因此，它可以作为特征筛除的结构性依据，辅助构建更简洁的模型。
5.3 因果推断中的路径分析
在因果图中，d-分离常用于分析因果路径是否会被某些观测阻断或开启。研究者据此区分直接路径、间接路径以及由条件化引入的伪相关。
这使它成为因果推断中非常基础的语言之一。
5.4 结构学习中的约束利用
结构学习试图从数据中恢复图模型结构，而 d-分离提供了重要约束。若观测到的条件独立关系与某种图结构的 d-分离模式一致，就能缩小候选图的范围。
在搜索空间巨大的情况下，这类约束常常决定算法是否可行。
6 相关概念
d-分离与多个概念密切相关，理解这些关联有助于更准确地把握其适用范围和解释方式。
6.1 d-连接
d-连接是 d-分离的对立概念，表示在给定条件集后，两组节点之间仍存在至少一条激活路径。若存在 d-连接，则通常不能断言条件独立。
6.2 条件独立
条件独立是概率论中的基本关系，表示在给定第三组变量后，两变量组之间没有额外依赖。d-分离正是用图结构去刻画这种关系的工具。
6.3 马尔可夫毯
马尔可夫毯是指某节点周围的一组变量，使得在给定这组变量后，该节点与图中其余变量条件独立。它与 d-分离关系紧密，经常作为局部依赖边界的描述方式。
6.4 图分离与无向图中的分离
无向图中的分离概念与 d-分离类似，都是通过图上路径是否被某集合隔开来判断独立性。但无向图不涉及箭头方向，因此其规则更简单，无法表达碰撞点开启这类现象。
6.5 轭合与碰撞点相关概念
在一些图模型语境中，与碰撞点、汇聚结构以及条件化相关的概念常被一并讨论。它们共同说明：当信息沿路径相遇时，观测方式会显著改变依赖结构。
7 历史与发展
d-分离的发展与概率图模型的兴起密切相关。它从一种图论判定思想逐步演化为贝叶斯网络和因果推理中的标准语言。
7.1 概念提出背景
随着研究者试图将概率关系可视化并形式化，如何仅根据图结构判断独立性成为关键问题。d-分离正是在这一背景下被提出，用于建立“结构决定依赖”的明确规则。
7.2 在概率图模型中的推广
在贝叶斯网络理论成熟后，d-分离被广泛纳入教材、算法和理论框架中。它不仅用于证明性质，也用于实际系统中的建模与推断。
7.3 现代人工智能中的使用
在现代人工智能中，d-分离仍然是理解概率图模型、因果建模和结构学习的重要基础概念。尽管具体应用形式不断更新，但其核心思想依旧是利用图结构描述与计算依赖关系。
8 示例
为了直观理解 d-分离，可以从三种最典型的局部结构入手，再扩展到更复杂的网络。
8.1 简单链式例子
设 A → B → C。若不观察 B，A 与 C 之间通常存在信息传递；若给定 B，则 A 与 C 往往被 d-分离。
这个例子表明，中间节点一旦被控制，链式传播就会中断。
8.2 分叉式例子
设 B → A 且 B → C。若观察 B，A 与 C 一般会失去额外关联，因为共同原因已经被纳入条件集。
这说明分叉结构中的中心节点常起到“解释共同来源”的作用。
8.3 碰撞点例子
设 A → B ← C。若不观察 B，A 与 C 通常彼此独立；若观察 B，则二者可能变得相关。
这一现象与直觉相反，但正是碰撞点结构最重要的特征，也是 d-分离理论中的关键案例。
8.4 复杂网络中的示意推理
在更复杂的图中，A 到 C 之间可能同时存在多条路径，例如一条链式路径和一条经过碰撞点的路径。此时即使某一条路径被阻断，只要另一条仍激活，A 与 C 就不会被 d-分离。
因此，复杂网络中的判断必须从“全部路径”角度出发，而不能只看局部结构。