[論文レビュー] Coherence, Belief Expansion and Bayesian Networks

Luc Bovens, Stephan Hartmann|ArXiv.org|Mar 8, 2000

Bayesian Modeling and Causal Inference参考文献 9被引用数 7

ひとこと要約

本稿では、ベイジアンネットワークを用いて不確実性下での信念拡張を評価するための確率的整合性測度を提案する。独立した情報源の信頼性と報告の整合性が、事後信念強度をどのように決定するかをモデル化し、情報源が信頼できる場合や情報集合が大きい場合には、整合性が優勢であることを示している。

ABSTRACT

We construct a probabilistic coherence measure for information sets which determines a partial coherence ordering. This measure is applied in constructing a criterion for expanding our beliefs in the face of new information. A number of idealizations are being made which can be relaxed by an appeal to Bayesian Networks.

研究の動機と目的

• 情報集合のための形式的かつ確率的整合性測度を構築し、整合性に基づいて情報集合の部分順序付けを可能にする。
• 情報源の信頼性と既存の信念との整合性を踏まえて、新しい情報が合理的に信じられるべき状況を特定する認識論的課題に取り組む。
• ベイジアンネットワークを用いて、情報源の信頼性と整合性を関数として信念拡張をモデル化し、従来のモデルにおける強い理想化を緩和する。
• ベイジアンネットワークが、整合性と信念拡張を実証的にモデル化できることを示し、独立性や信頼性の仮定を緩和可能にする。

提案手法

• 異なる命題 $R_1, \dots, R_n$ 及びそれらの報告 $REPR_1, \dots, REPR_n$ の連関確率分布を構築し、異なる命題の報告同士が条件付き独立であると仮定する。
• パラメータ $p = P(REPR_i|R_i)$ と $q = P(REPR_i|\overline{R}_i)$ を用いて情報源の信頼性を定義し、$p > q > 0$ とすることで、完全に信頼できるとは限らない情報源をモデル化する。
• ベイズの定理を用いて、事後信念 $P^*(R_1, \dots, R_n) = P(R_1, \dots, R_n | REPR_1, \dots, REPR_n)$ を導出し、尤度比 $x = q/p$ の関数として表現する。
• 異なる真偽値の組み合わせにおける情報集合の相対尤度に基づいて、整合性測度 $c_x(R_1 \& \dots \& R_n)$ を定義する。
• 図1および図2に示すベイジアンネットワークを構築し、整合性と信念拡張をモデル化する。これにより、情報源の信頼性の可変性、報告間の依存性、および周辺確率の伝搬を可能にする。
• 結合事後確率としての受容測度 $e_x(R_1, \dots, R_n)$ を定義し、信念拡張が信念閾値に対して合理的かどうかを判断する基準とする。

実験結果

リサーチクエスチョン

• RQ1 複数の情報の間の整合性を、確率的枠組み内で形式的にどのように測定できるか？
• RQ2 情報源の信頼性と整合性を踏まえて、新しい情報の信念拡張がどのような条件下で合理的となるか？
• RQ3 情報源の信頼性と整合性が、事後信念強度を決定する際にどのように相互作用するか？
• RQ4 ベイジアンネットワークは、信念拡張モデルにおける理想化（例：独立性、同等の信頼性）をどの程度緩和できるか？
• RQ5 情報集合の間の整合性順序付けを構築し、合理的な信念拡張を導くために利用できるか？

主な発見

• 整合性測度 $c_x(R_1 \& \dots \& R_n)$ は、情報集合に対して部分順序を与えることができ、同じ情報源の信頼性のもとで、より整合性の高い集合ほど高い事後信念が得られる。
• 受容測度 $e_x(R_1, \dots, R_n)$ が事前に定義された閾値を超える場合に、信念拡張は合理的である。この閾値は、情報源の信頼性と整合性の両方に依存する。
• 情報源が十分に信頼できる場合、または情報集合が大きい場合には、整合性が信念拡張において支配的となり、信頼性の影響は微小な役割にとどまる。
• モデルは、$P(R_1, \dots, R_n)$ が信念閾値以上であれば、拡張後の集合 $R_1, \dots, R_{n+1}$ が閾値未満であっても、事後確率の微小な増加により信念拡張が正当化されることを示している。
• ベイジアンネットワークにより、理想化の緩和が可能である：情報源の信頼性を異なるものに設定可能であり、報告同士の依存性をモデル化可能であり、1つの情報源からの複数の報告も扱える。
• この枠組みにより、整合性と信念拡張の実証的モデリングが可能となり、ネットワーク構造内の証拠伝搬により事後確率が計算可能である。