Architecture as a Graph a computational approach
作者通过500张平面图将房间之间的连接建模，提取出对应的矩阵，形成数据集，然后使用贝叶斯推断方法，来完成模型的训练。
具体步骤
评估重要性和相关性：对于现有平面图内各个房间的邻接关系做限定，之后评估房间之间邻接关系之间的相关性。
生成建模：利用贝叶斯建模来生成邻接图，分为非约束条件和约束条件下生成。
通过限定和生成，研究理解相邻空间之间的关系，在关系中对重要性和相关性进行评估，并通过相关性矩阵和重要性矩阵进行表达。1 相关性矩阵：在下方左图的相关性矩阵中，定义了在给定的平面图中某些连接是直接存在还是间接存在。
2 重要性矩阵：在下方右图的重要性矩阵中，指定了相关性矩阵中定义的规则的重要性。
非约束条件下
之后通过抽取其邻接矩阵的关系，并基于上述的矩阵框架对其进行分级，来划分平面图。下图 “FloorPlan” 中存在的每条边，将通过查询其“相关性x重要性”的打分来分级。平面布局图的整体分数和等级是所有边缘的分数总和。因为上述的这些规则是与环境相关的，且会随着环境和评估对象的变化而变化，所以一定要确保设计者能够修改这些规则。在这里只需要调整两个矩阵的权重，就可以修改相关约束规则，从而调整出期望的平面图。1 通过运行模型绘制出房间之间所有存在的因果关系。2 给定节点的传入边构成了一个条件概率表。这种形成意味着一个房间或邻接房间存在的概率是基于它上一级的值得出。3 根据矩阵评估从数量上和拓扑上揭示了房间和联系之间相互依赖的存在。
由于抽样的本质上是一个随机过程，因此生成了大量不同的图形结构，所有的二次生成都是从数据库中已有的单间公寓的结构进行学习。
可以注意到，大多数的房间邻接都是合理的，反映了在单间公寓中常见的组合和邻接。
作者为了限制最终生成的图的数量，会使用控制分数来过滤掉不相关的选项。邻接图的生成并不是基于程序化或基于规则的形式，而是利用了贝叶斯的这种方法。(左)一居室、(中)一居室和(右)两居室的贝叶斯因果图利用贝叶斯的思维可以进行研究和挖掘那些潜在的关系，这不仅可以挖掘出房间之间那种潜在联系，还可以得到更深处的因果关系。统计推断可以让我们建立和复制复杂的现象，还可以让我们产生各种各样的组合选择，这会激发出无数创造。
《Harvard University Architecture
as a Graph a Computational》
Chauncy Guo
每期由mixlab社区精选、收录人工智能的相关内容。包括AI产品、AI技术、AI场景、AI投资事件、AI的思维方式等。MIX的主题包括：AR、VR、计算设计、计算广告、智能设计、智能写作、虚拟偶像等。付费加入星球后，即可免费加入科技前沿外刊群：《新科学家杂志》、《英国金融时报》、《华尔街日报》、《经济学人》、《纽约时报》、《泰晤士报》等当日最新外刊。
