[論文レビュー] Bayesian Networks from the Point of View of Chain Graphs

Milan Studený|arXiv (Cornell University)|Jan 30, 2013

Bayesian Modeling and Causal Inference参考文献 12被引用数 34

ひとこと要約

本稿では、ベイジアンネットワークをチェーングラフによって表現する手法を提案し、特定のネットワーク構造に依存しない標準的表現として最大のチェーングラフを導入する。このグラフに基づく因子分解を用いたメモリ効率の良いパrametrization手法と、d-分離に類似したがより単純で効率的な局所的分離基準を提示することで、特定のネットワーク選択に依存せずに効率的な確率的インdependence推論が可能となる。

ABSTRACT

AThe paper gives a few arguments in favour of the use of chain graphs for description of probabilistic conditional independence structures. Every Bayesian network model can be equivalently introduced by means of a factorization formula with respect to a chain graph which is Markov equivalent to the Bayesian network. A graphical characterization of such graphs is given. The class of equivalent graphs can be represented by a distinguished graph which is called the largest chain graph. The factorization formula with respect to the largest chain graph is a basis of a proposal of how to represent the corresponding (discrete) probability distribution in a computer (i.e. parametrize it). This way does not depend on the choice of a particular Bayesian network from the class of equivalent networks and seems to be the most efficient way from the point of view of memory demands. A separation criterion for reading independency statements from a chain graph is formulated in a simpler way. It resembles the well-known d-separation criterion for Bayesian networks and can be implemented locally.

研究の動機と目的

• 特定のネットワーク構造に依存しない、ベイジアンネットワークモデルの統一的表現を提供すること。
• 最大のチェーングラフに基づく標準的パrametrizationを導入することで、確率的モデリングにおけるメモリオーバーヘッドを低減すること。
• グラフィカルモデルからの条件付き独立性に関する記述の読み取りを簡略化するための局所的分離基準を提供すること。
• チェーングラフとして表現されたベイジアンネットワークのマルコフ同値クラスを図式的に特徴付けること。
• 離散確率分布の表現において、計算効率が高く構造に依存しない方法を提供すること。

提案手法

• ベイジアンネットワークと同一の条件付き独立構造を表現するため、チェーングラフを用いる。マーティン同値性を活用する。
• すべての同値なベイジアンネットワークの代表的役割を果たす最大のチェーングラフ上で因子分解公式を定義する。
• 条件付き独立性に関する記述の読み取りに適した局所的分離基準を導入し、d-分離に類似しているがより単純で効率的である。
• 最大のチェーングラフに基づく離散確率分布のパrametrizationスキームを提案し、メモリ使用量を最小限に抑える。
• 同値なベイジアンネットワークのクラスを、単一の最大のチェーングラフとして特徴付けることで、構造に依存しない計算を可能にする。
• 因子分解公式を適用することで、特定のベイジアンネットワークの選択に依存せずに、効率的な保存と推論が可能になる。

実験結果

リサーチクエスチョン

• RQ1 特定のネットワーク構造に依存しないように、ベイジアンネットワークモデルをチェーングラフで同値に表現する方法は何か？
• RQ2 離散確率分布をベイジアンネットワークから得る際、最もメモリ効率の良いパrametrizationの方法は何か？
• RQ3 チェーングラフから独立性に関する記述を読み取るための簡略化された局所的分離基準を開発できるか？
• RQ4 マーティン同値なベイジアンネットワークのクラスを、チェーングラフとして表現した場合に、どのような図式的性質が定義されるか？
• RQ5 最大のチェーングラフは、ベイジアンネットワークの同値クラスの標準的代表としてどのように機能するか？

主な発見

• 最大のチェーングラフは、すべてのマーティン同値なベイジアンネットワークの標準的表現を提供し、構造に依存しないパrametrizationを可能にする。
• 最大のチェーングラフ上での因子分解公式により、離散確率分布のメモリ効率の良い表現が可能になる。
• 提案された条件付き独立性の分離基準は、d-分離に類似しているがより単純で局所的に計算可能であり、より効率的である。
• 特定の同値クラスからのベイジアンネットワークの選択を必要とせず、独立性推論が可能となり、計算効率が向上する。
• 同値なモデル間の冗長性を排除し、すべてのモデルに対して単一の代表的グラフに依存することで、ストレージと計算の冗長性を解消する。
• 特に大規模なベイジアンネットワークでメモリ制約が厳しい状況において、効率的な確率的推論とパrametrizationをサポートする。