人工智能
D分离（D-Separation）是一种用来判断变量是否条件独立的图形化方法。相比于非图形化方法，D-Separation更加直观，且计算简单。对于一个DAG（有向无环图）E，D-Separation方法可以快速的判断出两个节点之间是否是条件独立的。
概念：很多的机器学习模型都可以用概率的角度去解释，其中一类重要的模型就是概率图模型，而是概率图模型的灵魂就是模型变量间的条件独立性。因为有了独立性，才有了各种不同的概率图模型，比如LDA,HMM等等模型。在概率图中，变量间的独立性是怎么体现的呢？D-分离准则就是一种简单的技巧去判断一个概率图中的独立性的。
简单的说，如果在概率图模型中，比如说X,Y两个节点没有边，使得X和Y之间肯定存在某种独立性，这种独立性可以是在某个子集Z的条件下使得他们独立，也可能是他们两个本身就是独立的，这时我们称X，Y之间是D-分离的。现在先给出D-分离的准则：
定义: 当路径p被结点集Z，d-分离（或被blocked掉）时，当且仅当以下条件成立：
① 若p包含形式如下的链i->m->j或ij，则结点m在集合Z中。
② 若p中包含collider（碰撞点）i->mBB->C：A、C并不独立
注意，如果这两个模型一旦在那里面见到了，就认为他们是联通的，即认为他们是不独立的，但是如果它们的中心节点B 属于条件的一部分，那就和他们的原先属性相反了，他们就是不联通的就变成了有独立性的了。
实例：
1.
2.
3.
4.