[論文レビュー] Additive Bayesian Network Modelling with the R Package abn

Gilles Kratzer, Fraser Lewis+3 more|arXiv (Cornell University)|Nov 20, 2019

Bayesian Modeling and Causal Inference参考文献 47被引用数 10

ひとこと要約

本論文は、混合変数型（連続、離散、度数）を用いたベイズ的または情報理論的スコアリングにより、データ駆動型の構造学習を可能にする、加法的ベイジアンネットワーク（ABN）モデリングのためのRパッケージabnを提示する。Exactおよびグリーディ探索アルゴリズムをサポートし、クラスタリングのための事前知識とランダム効果を統合し、システム疫学に理論的に妥当で計算的に効率的なフレームワークを提供する。スイネン呼吸器疾患データセットを用いた実証例が示されている。

ABSTRACT

The R package abn is designed to fit additive Bayesian models to observational datasets. It contains routines to score Bayesian networks based on Bayesian or information theoretic formulations of generalized linear models. It is equipped with exact search and greedy search algorithms to select the best network. It supports a possible blend of continuous, discrete and count data and input of prior knowledge at a structural level. The Bayesian implementation supports random effects to control for one-layer clustering. In this paper, we give an overview of the methodology and illustrate the package's functionalities using a veterinary dataset about respiratory diseases in commercial swine production.

研究の動機と目的

• 混合変数型および複雑なデータ構造をサポートする、柔軟でオープンソースのRパッケージを提供する加法的ベイジアンネットワークモデリングの開発。
• 理論的厳密性と計算効率を兼ね備えた、ネットワーク構造選択のためのベイズ的および情報理論的スコアリング手法の実装。
• システム疫学における一般的な課題に対処するため、構造レベルでの事前知識の統合とランダム効果によるクラスタリングの制御を可能にする。
• 動的計画法とヒューリスティック最適化を用いた最適なネットワーク構造学習のための正確およびグリーディ探索アルゴリズムの提供。
• スイネン呼吸器疾患に関する実世界の獣医疫学の事例研究を通じて、手法の実用性を示す。

提案手法

• パッケージは、一般化線形モデル（GLMs）のスコアリングにベイズ的または情報理論的アプローチを用い、連続変数、離散変数、度数変数を含むネットワーク構造を評価する。
• 計算競争性を確保するため、効率的なベイズ推論に繰り返しネストドラプラス近似（INLA）を採用する。
• 正確な構造探索は動的計画法により実装され、計算可能な範囲内で最適なネットワークを同定可能である。
• 正確な探索が非効率となる大規模なネットワークでは、スケーラブルな構造学習のためのグリーディ探索アルゴリズムが用いられる。
• 構造的レベルでの事前知識の入力と、1層のクラスタリングをモデル化するためのランダム効果の統合が可能である。
• 条件付き確率分布を一般化線形モデルから導出し、オッズ比を用いて効果量を報告することで、パラメータ推定が行われる。

実験結果

リサーチクエスチョン

• RQ1 システム疫学における混合型観測データを効果的にモデリングするための加法的ベイジアンネットワークの活用法は何か？
• RQ2 異なるデータ状況下で、正確およびグリーディ探索アルゴリズムが最適なネットワーク構造を同定する性能はいかほどか？
• RQ3 クラスタリングのためのランダム効果の統合が、階層的データ構造におけるモデル精度をどのように向上させるか？
• RQ4 abnパッケージを用いて、ネットワーク構造学習プロセスに事前知識をどの程度統合できるか？
• RQ5 abnにおけるベイズ的スコアリング手法は、理論的妥当性と計算効率の観点から、他のスコアリング手法と比較してどのように差を示すか？

主な発見

• abn Rパッケージは、混合変数型を扱う理論的根拠に基づいた、計算的に効率的な加法的ベイジアンネットワークモデリングのフレームワークを効果的に実装している。
• 動的計画法を用いた正確な構造探索は、小規模なネットワークに対して有効であり、最適解を提供する。
• グリーディ探索アルゴリズムにより、大規模なネットワークにおけるスケーラブルな構造学習が可能となり、正確探索の実用的代替手段となる。
• ランダム効果の統合により、クラスタリングの適切な制御が可能となり、システム疫学分野の他のRパッケージと比較して顕著な利点を示す。
• INLAを強化したベイズ的スコアリングシステムにより、頑健な推論が可能となり、条件付きオッズ比を用いた効果量推定も支援される。
• スイネン呼吸器疾患に関する事例研究により、複雑な実世界の疫学的データにおいて意味のある関係を同定できることが示された。