[論文レビュー] Clustering Without (Thinking About) Triangulation

Denise L. Draper|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 8被引用数 20

ひとこと要約

この論文は、信念ネットワークのクラスタリングのための新しいアプローチを提案する。この手法は、クラスタとジャンクションツリー性質を基本的構成要素として扱い、従来の三角形化に依存しない。クラスタグラフを反復的精錬によってジャンクションツリーに変換することで、理解の簡素化、多様なヒューリスティクスの利用、インクリメンタルクラスタリングの支援が可能となり、従来の三角形化に基づく手法に比べ、より明確で柔軟な代替手段を提供する。

ABSTRACT

The undirected technique for evaluating belief networks [Jensen, et.al., 1990, Lauritzen and Spiegelhalter, 1988] requires clustering the nodes in the network into a junction tree. In the traditional view, the junction tree is constructed from the cliques of the moralized and triangulated belief network: triangulation is taken to be the primitive concept, the goal towards which any clustering algorithm (e.g. node elimination) is directed. In this paper, we present an alternative conception of clustering, in which clusters and the junction tree property play the role of primitives: given a graph (not a tree) of clusters which obey (a modified version of) the junction tree property, we transform this graph until we have obtained a tree. There are several advantages to this approach: it is much clearer and easier to understand, which is important for humans who are constructing belief networks; it admits a wider range of heuristics which may enable more efficient or superior clustering algorithms; and it serves as the natural basis for an incremental clustering scheme, which we describe.

研究の動機と目的

• 信念ネットワークのクラスタリングにおける三角形化の概念的・実用的複雑性に対処すること。
• 三角形化を基本的コンセプトとしてではなく、クラスタ構造とジャンクションツリー性質を優先するクラスタリングフレームワークを構築すること。
• 信念ネットワークの構築をより直感的かつ人間にとって使いやすいものにすること。
• より高いクラスタリング効率や品質を実現するための多様なヒューリスティクスの利用を可能にすること。
• 動的信念ネットワークにおけるインクリメンタルクラスタリングの基盤を提供すること。

提案手法

• 従来の三角形化された道徳的ネットワークから出発するのではなく、修正されたジャンクションツリー性質を満たすクラスタのグラフから出発する。
• 初期のクラスタグラフを有効なジャンクションツリーに変換するための反復的変換を適用し、変換中もジャンクションツリー性質を保持する。
• 変換プロセスは、局所的演算を用いてクラスタとその接続を再構成することで木構造を達成する。
• このアプローチは、三角形化順序に依存しないヒューリスティクス駆動のクラスタ選択と再編成を可能にする。
• 新しい証拠や構造が導入された際に、影響を受けるクラスタのみを変更することで、インクリメンタルな更新をサポートする。
• この手法は、三角形化ステップの順序ではなく、クラスタの構造的性質とその交差部分に根ざしている。

実験結果

リサーチクエスチョン

• RQ1 クラスタとジャンクションツリー性質を基本的構成要素として扱うことで、信念ネットワークのクラスタリングを三角形化から再定義できるか？
• RQ2 三角形化への依存を排除することで、信念ネットワークの構築における明確さと使いやすさが向上するか？
• RQ3 このアプローチは、より多様なヒューリスティクスの利用を可能にし、より効率的または高品質なクラスタリングを実現できるか？
• RQ4 グローバルな三角形化ではなく、クラスタレベルの操作に基づいたインクリメンタルクラスタリングアルゴリズムを設計するのは可能か？
• RQ5 概念的シンプルネスとアルゴリズム的柔軟性の観点から、この手法は従来の三角形化に基づくアプローチと比べてどのように差をつけるか？

主な発見

• 提案手法は、三角形化中心のアプローチに比べ、信念ネットワークのクラスタリングに対してより直感的かつ概念的に透明なフレームワークを提供する。
• クラスタリングを三角形化から分離することで、クラスタ構造と接続性に特化した多様なヒューリスティクスの利用が可能になる。
• このアプローチは自然にインクリメンタルクラスタリングをサポートし、新しいノードや証拠が追加された際に効率的な更新が可能になる。
• 変換プロセスは、各ステップでジャンクションツリー性質を保持することで正しさを保証し、有効な推論を保証する。
• この手法は、中間の三角形化を経由せずに、クラスタグラフから直接ジャンクションツリー構造を構築できることを示している。
• このフレームワークは形式的に整合しており、人間中心で適応可能なクラスタリングアルゴリズムの今後の開発の基盤を提供する。