[論文レビュー] Estimating Staged Event Tree Models via Hierarchical Clustering on the Simplex

Muhammad Shoaib, Eva Riccomagno+2 more|arXiv (Cornell University)|Mar 16, 2026

Bayesian Modeling and Causal Inference被引用数 0

ひとこと要約

要約: 本論文は確率単体上の階層クラスタリングフレームワークを提案し、段階的イベントツリーモデルを学習する。Ward.D2結合を用いたTotal Variation距離が Backward Hill Climbingと比較して良好なモデル適合性と計算効率を示す。

ABSTRACT

Staged tree models enhance Bayesian networks by incorporating context-specific dependencies through a stage-based structure. In this study, we present a new framework for estimating staged trees using hierarchical clustering on the probability simplex, utilizing simplex basesd divergences. We conduct a thorough evaluation of several distance and divergence metrics including Total Variation, Hellinger, Fisher, and Kaniadakis; alongside various linkage methods such as Ward.D2, average, complete, and McQuitty. We conducted the simulation experiments that reveals Total Variation, especially when combined with Ward.D2 linkage, consistently produces staged trees with better model fit, structure recovery, and computational efficiency. We assess performance by utilizing relative Bayesian Information Criterion (BIC), and Hamming distance. Our findings indicate that although Backward Hill Climbing (BHC) delivers competitive outcomes, it incurs a significantly higher computational cost. On the other, Total Variation divergence with Ward.D2 linkage, achieves similar performance while providing significantly better computational efficiency, making it a more viable option for large-scale or time sensitive tasks.

研究の動機と目的

• 標準的なベイズネットワークを超えた文脈特有の依存モデリングの必要性を、段階的イベントツリーを通じて動機付ける。
• 確率単体上の条件分布をクラスタリングする、幾何感知型の学習フレームワークを開発する。
• simplex上の距離・発散と階層的結合を複数評価し、効果的な段階構造を特定する。
• データ駆動の手順で段階構造を学習し、クラスター内のカウントを統合した後再推定して、パラミテリックな段階木を得る。

提案手法

• 内部ノードの次ステップ条件付き分布を単体上の確率ベクトルとして表現する。
• これらのベクトル間のペアワイズな非類似性を、単体上の距離・発散（例：Total Variation、Hellinger、Fisher、Jensen–Shannon、Kaniadakis、KL）を用いて計算する。
• Ward.D2、平均、完全、McQuittyなどのさまざまな結合法で階層的アグロメーティブクラスタリングを適用し、文脈を段階にグループ化する。
• オプションとしてデンドログラムを predefined な段階数に切るか、クラスタ内のカウントをプールしてパラメータを再推定した上でBICのようなスコアで最良モデルを選択する。
• クラスタリングが木の深さに沿って進むにつれて段階を更新し、条件付き確率を再フィットさせる。

Figure 2 : Comparison of $\Delta_{BIC}$ and $\Delta_{HD}$ across divergence-based staged event tree classifiers for $p=11$ , under the following configurations: $k_{0},k=NA,q=0.9.$

実験結果

リサーチクエスチョン

• RQ1 確率単体上の階層クラスタリングは、段階的イベントツリーにおいて意味のある段階構造を回復できるか。
• RQ2 どの単体基盤の距離・発散と結合法が、文脈依存の条件付き独立性を最も適切に回復するか。
• RQ3 Total VariationとWard.D2結合を用いた提案手法は、Backward Hill Climbingなどの代替と比較して、モデル適合、構造回復、および計算効率の点でどのように性能を示すか。
• RQ4 モデル選択基準（例：BIC）が深さごとの最適な段階数の決定に与える影響はどの程度か。
• RQ5 より大規模な段階木や高次元の離散変数に対するアプローチのスケーラビリティは。

主な発見

• Total Variation距離は、特にWard.D2結合と組み合わせると、シミュレーションで一貫してより良いモデル適合、構造回復、計算効率を示す。
• Backward Hill Climbingは競合する結果を出すが、計算コストが substantially 高い。
• 条件付き分布のクラスタリングには単体の幾何を尊重する発散ベースの測度を用いると有利である。
• 階層的クラスタリングは、クラスタ内のカウントをプールして確率を再推定することで、データ駆動的にパラミテリックな段階を得る手段を提供する。
• モデル選択基準（例：BIC）を用いて各深さの段階数を決定することで、プロセスを導くことができる。

Figure 3 : Comparison of $\Delta_{\mathrm{BIC}}$ and $\Delta_{\mathrm{HD}}$ and time across divergence-based staged event tree classifiers for sample sizes $512$ with $k_{0},k=NA,q=0.9$