D-Separation

定义（中文） / Definition

d-separation（d-分离）是概率图模型（尤其是贝叶斯网络）中的一个判定规则：用于判断在给定一组条件变量（证据）时，两组变量是否条件独立。若在图中所有连接两组变量的路径都被这些条件“阻断”，则称两组变量被 d-separation，从而可推出它们条件独立。

发音（IPA） / Pronunciation

/ˌdiː ˌsɛpəˈreɪʃən/

例句 / Examples

If A and B are d-separated by C, then A is independent of B given C.
如果在给定 C 的条件下 A 和 B 被 d-分离，那么在给定 C 时 A 与 B 条件独立。

In a Bayesian network, conditioning on a collider can open a path that was previously blocked, changing whether two nodes are d-separated.
在贝叶斯网络中，对“碰撞点（collider）”进行条件化可能会打开原本被阻断的路径，从而改变两个节点是否 d-分离。

词源（中文） / Etymology

d-separation由字母 d- 加上 separation（分离）构成。这里的 d 通常解释为 directional（有向的），强调它是针对有向无环图（DAG）中的“分离/阻断路径”提出的判定方法。该概念由 Judea Pearl 在贝叶斯网络与因果推断研究中系统化并推广。

相关词汇 / Related Words

• Bayesian Network
• Conditional Independence
• DAG
• Markov Blanket
• Collider
• Causal Inference
• Probabilistic Graphical Model

文学与经典著作中的用例 / Notable Works

• Judea Pearl, Probabilistic Reasoning in Intelligent Systems（系统阐述贝叶斯网络与 d-separation）
• Daphne Koller & Nir Friedman, Probabilistic Graphical Models: Principles and Techniques（以 d-separation 作为条件独立推断核心工具）
• Christopher M. Bishop, Pattern Recognition and Machine Learning（在图模型章节讨论相关独立性与推断思想）