如果一組條件變項能讓目標變項與其餘變項條件獨立，這組變項可構成馬可夫毯；若其中任何一個變項都不能移除而仍保有此性質，便是最小馬可夫邊界。相較於較大的毯，最小邊界把對目標變項仍有資訊價值的部分留下，其他變項則在給定邊界後不再提供額外資訊。
在特徵選擇中，這使馬可夫邊界成為一種局部充分集合。然而「充分」是相對於目標變項、資料分布與模型假設而言，並不代表它是解釋世界的完整因果機制。
思與行
- 做預測時比較全特徵模型與馬可夫邊界模型的泛化表現、穩定性與成本。
- 對最小性的主張註明採用的條件獨立檢定、樣本量與變項集合；有限資料下的「最小」可能只是演算法找到的近似答案。
參考
- 馬可夫邊界、特徵選擇、馬可夫毯能縮小預測所需的資訊集合。
- 研究例子：HITON 以馬可夫毯進行可擴展的變項選擇；概念定義亦見 Markov blanket（Wikipedia）。