在模式识别和机器学习中， Bishop 写了关于贝叶斯网络的文章：
对于概率模型的实际应用，通常是对应于图的终端节点的较高编号的变量代表观察，而较低编号的节点对应于潜在变量。潜在变量的主要作用是允许观察变量上的复杂分布用由更简单（通常是指数族）条件分布构建的模型来表示。
几行之后：
然而，概率模型中的隐藏变量不需要有任何明确的物理解释，而可以简单地引入以允许从更简单的组件构建更复杂的联合分布。
你认为他所说的这种隐藏变量是什么意思（没有物理解释）？
什么可以是一个简单的例子？
我考虑过高斯混合，但它们不对应于我们感兴趣的变量编号较高的情况。
对我来说唯一合理的答案似乎是潜在变量是分布的参数，它们是真实变量，而它们没有任何物理解释。
毕晓普总是很精确，很清楚，不知道为什么这次他没有使用“参数”这个词，那会很有启发性。
首先，注意观察变量和潜在变量都有概率分布，参数是固定的。
在 Koller 和 Friedman 的 PGM 教科书中可以找到一个有用的示例（见下文）。请注意，在左侧模型中加入潜在变量 H 会减少整个图形模型的参数空间。可以在没有潜在变量 H 的情况下绘制 I 等价图（如在右侧模型中），但它可能需要比包含潜在变量的模型更多的参数。
在两者之间进行选择是一个建模决策（可以归结为统计与计算的简单性）。左侧模型中的 H 不需要有任何物理表示，但可以在模型中包含或删除它以实现可解释性或问题的其他要求（例如，采样、推理）。也就是说，在确定图的结构时，通常需要进行特定于上下文的权衡。
希望这可以帮助！