확률 기반 모델(probabilistic model)

**확률 기반 모델(probabilistic model)**은 머신러닝, 자연어 처리, 추천 시스템, 데이터 분석 등 다양한 분야에서 널리 사용됩니다.
아래에 대표적인 확률 기반 모델들을 분야별로 정리해 드리겠습니다.

---

✅ 대표적인 확률 기반 모델 목록

분류	모델 이름	설명
📊 통계/머신러닝	Naive Bayes	조건부 확률을 기반으로 텍스트 분류 등에서 사용
	Bayesian Network	변수 간 확률적 의존관계를 표현하는 그래프 모델
	Hidden Markov Model (HMM)	시계열 데이터에서 상태 전이와 관측 확률을 모델링
	Gaussian Mixture Model (GMM)	여러 개의 정규분포로 데이터를 설명하는 클러스터링 모델
	Expectation Maximization (EM)	잠재 변수 포함된 모델의 확률 최적화 방법
	Probabilistic Graphical Model (PGM)	확률적 의존성을 그래프로 표현한 일반적 모델 프레임워크
🗣 자연어처리 (NLP)	N-gram Language Model	이전 단어들로부터 다음 단어 등장 확률 예측
	CRF (Conditional Random Field)	문맥 기반 시퀀스 라벨링에 사용 (예: 개체명 인식)
	Topic Model (LDA)	문서에 존재하는 주제(topic) 분포를 확률적으로 추정
🛒 추천 시스템	Collaborative Filtering (MF)	유저-아이템 관계를 잠재요인(latent factor)로 모델링
	Bayesian Personalized Ranking (BPR)	유저의 선호도를 확률적으로 모델링한 추천 알고리즘
📷 컴퓨터 비전	Bayesian CNN (확률적 신경망)	예측 결과에 불확실성(uncertainty) 추가
🧠 딥러닝 일반	Variational Autoencoder (VAE)	인코더-디코더 구조에서 잠재 변수 z에 확률분포 적용
	Bayesian Neural Network (BNN)	가중치를 확률분포로 모델링하여 불확실성 반영
	Diffusion Model	이미지 생성에서 점진적 노이즈 제거로 샘플링 (예: DALL·E 3, Stable Diffusion)

 

---

✅ 확률 기반 모델의 공통점

• 모두 불확실성, 확률분포, 베이즈 이론 등을 기반으로 작동함
• 정답이 하나가 아닌 여러 가능성 중 확률이 가장 높은 것 선택 또는 샘플링
• 설명력, 유연성, 불확실성 추론 등에서 장점 있음

---

📌 대표 모델 계열 분류

범주	주요 모델
고전 확률 모델	Naive Bayes, HMM, GMM, LDA
그래프 기반	Bayesian Network, CRF, PGM
딥러닝 확장형	VAE, BNN, Diffusion Model
언어 모델 전신	N-gram LM, HMM + POS Tagger 등
추천 알고리즘	BPR, MF, GMM 추천기
이미지 생성/분류	Bayesian CNN, Diffusion