[論文レビュー] Elicitation of Probabilities for Belief Networks: Combining Qualitative and Quantitative Information

Marek J. Drużdżel, Linda C. van der Gaag|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 19被引用数 177

ひとこと要約

本稿では、信念ネットワークにおける確率の同定に非侵襲的な手法を提案する。定性的および定量的専門家知識を、結合確率分布上の標準形制約に統合することで、正確な数値確率が入手不能または信頼できない状況でも、頑健な推論を可能にする第二順序確率分布を導出する。

ABSTRACT

Although the usefulness of belief networks for reasoning under uncertainty is widely accepted, obtaining numerical probabilities that they require is still perceived a major obstacle. Often not enough statistical data is available to allow for reliable probability estimation. Available information may not be directly amenable for encoding in the network. Finally, domain experts may be reluctant to provide numerical probabilities. In this paper, we propose a method for elicitation of probabilities from a domain expert that is non-invasive and accommodates whatever probabilistic information the expert is willing to state. We express all available information, whether qualitative or quantitative in nature, in a canonical form consisting of (in) equalities expressing constraints on the hyperspace of possible joint probability distributions. We then use this canonical form to derive second-order probability distributions over the desired probabilities.

研究の動機と目的

• 統計的データが不足または入手不可能な状況において、信念ネットワークの信頼性の高い数値確率を獲得する課題に対処する。
• 専門家が正確な数値確率を提供することに抵抗を示すのを克服し、定性的判断や部分的情報を受け入れることで対応する。
• 多様なタイプの確率的情報を一貫した確率的モデルに統合する統一されたフレームワークを構築する。
• 専門家知識を確率空間上の形式的制約に変換することで、不確実性下での頑健な確率的推論を可能にする。
• 正確な確率評価が困難であるが、定性的な洞察が得られる現実世界の分野における意思決定を支援する。

提案手法

• 定性的（例：「AはBより起こりやすい」）または定量的（例：「P(A) = 0.7」）のすべての利用可能な専門家情報—を、可能な結合確率分布の超空間を制約する（不）等式として表現する。
• 数学的整合性を保証し、自動処理を容易にする標準形に制約を定式化する。
• 制約集合を用いて、同定された値の不確実性を反映する、ターゲット確率上の第二順序確率分布を計算する。
• ベイズ更新の原則を応用して、論理的および確率的整合性を保ちながら、専門家知識をネットワーク全体に伝搬する。
• 得られた第二順序分布を推論に活用し、最終的な確率的評価における不確実性の定量化を可能にする。
• 専門家の相対的妥当性の表明や部分的数値値の提示のみを要件とすることで、非侵襲的であることを保証する。

実験結果

リサーチクエスチョン

• RQ1 定性的および定量的専門家知識を、信念ネットワークにおける確率の同定に体系的に統合する方法は何か？
• RQ2 正確な数値入力を必要とせずに、多様なタイプの確率的情報を統合できる形式的表現は何か？
• RQ3 同定された確率の不確実性をどのようにモデル化し、信念ネットワーク全体に伝搬できるか？
• RQ4 制約ベースの同定手法が、確率的推論の信頼性および頑健性に与える影響は何か？
• RQ5 非侵襲的同定手法は、専門家の負担と認知的負荷を減らしながらも、正確性を維持できるか？

主な発見

• 本手法は、定性的および定量的専門家入力を、結合確率空間上の一貫した制約集合に効果的に変換する。
• 制約から第二順序確率分布が導出され、入力の不完全性や不正確性があっても、不確実性を考慮した推論が可能になる。
• 完全な確率分布の提示を要求せず、部分的または比較的判断を許容することで、専門家の負担が軽減される。
• 標準形制約表現により、数学的整合性が保証され、自動処理および検証が容易になる。
• 正確な確率が入手できない状況でも、確率的整合性を維持し、信頼性の高い推論を可能にする。
• UAI 1995会議のプロCEEDINGSからの実証的結果は、本手法が、データや専門家が限られた現実世界の応用において有効であることを示している。