[論文レビュー] A Tutorial Introduction to the Logic of Parametric Probability

Joseph W. Norman|arXiv (Cornell University)|Jan 16, 2012

Bayesian Modeling and Causal Inference参考文献 18被引用数 3

ひとこと要約

本稿では、命題論理式および直接的含意制約を確率的ネットワークに埋め込むためのパラメトリック確率解析という手法を導入し、多項方程式系および最適化を用いた代数的推論を通じて論理的命題に関する推論を可能にする。複雑な論理パズル（ジョンソン＝レアードのアスとスミュリヤンのゾンビ）が、解ける代数的問題に還元されることを示しており、ジョージ・ブールの論理確率フレームワークに計算ツールを追加して、記号的および数値的推論を可能にする。

ABSTRACT

The computational method of parametric probability analysis is introduced. It is demonstrated how to embed logical formulas from the propositional calculus into parametric probability networks, thereby enabling sound reasoning about the probabilities of logical propositions. An alternative direct probability encoding scheme is presented, which allows statements of implication and quantification to be modeled directly as constraints on conditional probabilities. Several example problems are solved, from Johnson-Laird's aces to Smullyan's zombies. Many apparently challenging problems in logic turn out to be simple problems in algebra and computer science: systems of polynomial equations or linear optimization problems. This work extends the mathematical logic and parametric probability methods invented by George Boole.

研究の動機と目的

• 古典的論理とパラメトリック確率モデルを統合する計算フレームワークを構築すること。
• 「ほとんどの鳥は飛べる」といった普遍的でない含意（例：『ほとんどの鳥は飛べる』）を、厳密な論理的真偽ではなく確率的制約を用いて推論する課題に対処すること。
• ジョージ・ブールの論理確率統合を拡張し、含意および量化子を条件付き確率制約として直接符号可能にする。
• 複雑な論理問題が、多項方程式系や線形最適化といった解ける代数的問題に還元されることを示すこと。
• 既知の応答パターン（例：人間 vs. ゾンビ）を持つエージェントを含む知識的パズルにおける真偽値、同一性、応答行動の推論のための形式的で計算可能なモデルを提供すること。

提案手法

• 変数、制約、ネットワークグラフ、およびコンponent確率表を用いたパラメトリック確率ネットワークを用いて、論理的および確率的関係を記号的にモデル化する。
• 命題論理式（例：P → Q）は、導出変数（例：R := P → Q）として埋め込み、その真偽値は確率 Pr(R = T) として分数確率として表現される。
• 含意および量化子は、条件付き確率に関する制約として直接符号化され、中間の命題論理式を回避する。
• 2段階推論をサポートする：記号的確率推論の後に、最適化および探索を含む二次的な代数的および数値的分析を実行する。
• モデルを記述するための形式的言語を用い、人間およびコンピュータの両方で処理可能である。確率クエリ言語（PQL）を用いてクエリを実行し、システムを解く。
• 多項式表現が結合確率を表し、パrameter値は網羅的探索または最適化により、論理的識別基準（例：人間とゾンビの区別）を満たすように特定される。

実験結果

リサーチクエスチョン

• RQ1 普遍的ではない含意（例：『鳥は飛べる』）を確率的枠組みでどのようにモデル化できるか？
• RQ2 固定された応答パターンを持つエージェント（例：真実を言う者 vs. 嘘をつく者）を含む知識的パズルが、パラメトリック確率ネットワークで解けるか？
• RQ3 異なるタイプのエージェント（例：人間 vs. ゾンビ）を、応答に基づいて区別するための最小限の確率制約の集合は何か？
• RQ4 古典的論理的量化子を、条件付き確率を用いて割合表現に拡張できるか？
• RQ5 複雑な論理問題が、多項方程式系や最適化問題に還元可能か？

主な発見

• 『Bal』が『はい』または『いいえ』を意味する曖昧な応答を用いた人間とゾンビの区別問題は、パrameter（t₁, t₂, t₃, t₄）における多項方程式系の解法に還元される。
• 『Bal』が『はい』を意味するか？という質問に対して、正しく発話者のタイプを特定できる2つの有効なパラメータ集合（0,1,0,1）および（1,0,1,0）が得られ、人間では Pr(R=T) = x₁ + x₂、ゾンビでは x₃ + x₄ となる。
• 発話者が人間であることが分かっている（x₁ + x₂ > 0）場合、『Bal』の応答確率はゼロでない。一方、ゾンビのみが存在する場合（x₃ + x₄ = 0）、『Bal』の応答は不可能である。
• 結合確率 Pr(R,H) は、(R=H=T) の場合 x₁ + x₂、(R=H=F) の場合 x₃ + x₄ として多項式で与えられ、応答が信頼性を持って同一性を反映している。
• 本手法は、応答行動を条件付き確率制約として符号化することで、スミュリヤンのゾンビパズルを効果的にモデル化した。命題論理式に依存せず、代わりに確率的枠組みを用いた。
• このフレームワークは、かつて純粋論理的問題と見なされていた問題が、実際にはパラメトリック確率ネットワークを用いて多項方程式系や線形最適化タスクとして解ける代数的問題に還元可能であることを示している。