[論文レビュー] Continuous Time Bayesian Networks

Uri Nodelman, Christian R. Shelton+1 more|arXiv (Cornell University)|Dec 12, 2012

Bayesian Modeling and Causal Inference参考文献 13被引用数 179

ひとこと要約

この論文は、連続時間にわたって進化する構造的確率的過程をモデル化するための確率的グラフィカルモデルである連続時間ベイズネットワーク（CTBNs）を紹介する。ネットワーク内の各変数は、その現在の状態と、有向グラフにおける親変数の現在の状態に依存する遷移強度を持つ連続時間マルコフ過程としてモデル化され、非同期的な状態変化を伴う動的システムにおける正確かつ近似的な推論を可能にする。

ABSTRACT

In this paper we present a language for finite state continuous time Bayesian networks (CTBNs), which describe structured stochastic processes that evolve over continuous time. The state of the system is decomposed into a set of local variables whose values change over time. The dynamics of the system are described by specifying the behavior of each local variable as a function of its parents in a directed (possibly cyclic) graph. The model specifies, at any given point in time, the distribution over two aspects: when a local variable changes its value and the next value it takes. These distributions are determined by the variable s CURRENT value AND the CURRENT VALUES OF its parents IN the graph.More formally, each variable IS modelled AS a finite state continuous time Markov process whose transition intensities are functions OF its parents.We present a probabilistic semantics FOR the language IN terms OF the generative model a CTBN defines OVER sequences OF events.We list types OF queries one might ask OF a CTBN, discuss the conceptual AND computational difficulties associated WITH exact inference, AND provide an algorithm FOR approximate inference which takes advantage OF the structure within the process.

研究の動機と目的

• 連続時間にわたって進化する構造的確率的過程を形式的にモデル化するための言語を開発すること。
• 状態系列上の生成プロセスに基づくCTBNsの確率的意味論を定義すること。
• 連続時間の性質と依存関係グラフに循環が存在する可能性があることによる、CTBNsにおける正確な推論の課題に対処すること。
• プロセスの構造的特性を活用する効率的な近似的推論アルゴリズムを提案すること。
• 原理的確率的枠組みを通じて、複雑な動的システムに対する実用的な照会を可能にすること。

提案手法

• 各局所変数を、時間に依存する遷移強度を持つ有限状態の連続時間マルコフ過程としてモデル化する。
• 有向（可能性として循環を含む）グラフにおける、変数自身の現在値と親変数の現在値を関数として用いて遷移強度を定義する。
• 状態遷移のタイミングと次の状態値の両方の分布を、条件付き強度関数を用いて指定する。
• CTBNsの生成プロセスを、状態遷移の系列上の確率過程として形式化する。
• ネットワークの条件付き独立性構造と局所マルコフ性を活用した近似的推論アルゴリズムを開発する。
• 区分定数強度近似とシミュレーションベースのサンプリングを用いて、大規模または循環的なネットワークにおける計算複雑性に対処する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、確率的グラフィカルモデルを用いて、連続時間にわたって進化する構造的確率的過程を形式的に表現できるか？
• RQ2 非同期的状態遷移を伴う連続時間動的システムに対して、正しい確率的意味論とは何か？
• RQ3 連続時間ベイズネットワークにおける正確な推論において、概念的および計算上の課題は何か？
• RQ4 CTBNsの構造的依存関係を尊重する効率的な近的推論アルゴリズムをどのように設計できるか？
• RQ5 CTBNに意味的に有意な照会をどのようなものにでき、それらを信頼性高くどのように回答できるか？

主な発見

• 論文は、状態遷移の系列に基づく形式的な生成モデルを確立し、CTBNsに健全な確率的意味論を提供している。
• モデルは、各変数が自らの強度関数に従って独立に進化する非同期的状態変化をサポートしている。
• 連続時間の動的ダイナミクスと依存関係グラフに循環が存在する可能性があることから、CTBNsにおける正確な推論は計算的に困難である。
• 提案された近的推論アルゴリズムは、ネットワークの局所的構造を効果的に活用して計算複雑性を低減している。
• この枠組みは、連続時間確率的過程における予測、フィルタリング、尤度推定など、広範な照会を可能にしている。
• 本手法は、時間変動する挙動を示す生物学的経路や動的制御システムなど、複雑なシステムのモデル化において有効であることが実証されている。