[論文レビュー] First-Order Decomposition Trees

Nima Taghipour, Jesse Davis+1 more|arXiv (Cornell University)|Jun 4, 2013

Bayesian Modeling and Causal Inference参考文献 23被引用数 9

ひとこと要約

本稿では、確率論的論理的モデルにおけるアンラップド推論の特徴付けと分析を可能にする、新たな形式的構造である一次元分解木（FO-dtrees）を導入する。これは命題的分解木を確率論的論理的モデルへと拡張したものであり、ラップド推論の複雑さを定量化する対称性を考慮した複雑さの尺度「ラップド幅」を確立し、木構造から直接的にラップド推論操作を導出可能である。

ABSTRACT

Lifting attempts to speed up probabilistic inference by exploiting symmetries in the model. Exact lifted inference methods, like their propositional counterparts, work by recursively decomposing the model and the problem. In the propositional case, there exist formal structures, such as decomposition trees (dtrees), that represent such a decomposition and allow us to determine the complexity of inference a priori. However, there is currently no equivalent structure nor analogous complexity results for lifted inference. In this paper, we introduce FO-dtrees, which upgrade propositional dtrees to the first-order level. We show how these trees can characterize a lifted inference solution for a probabilistic logical model (in terms of a sequence of lifted operations), and make a theoretical analysis of the complexity of lifted inference in terms of the novel notion of lifted width for the tree.

研究の動機と目的

• 確率論的論理的モデル（PLMs）におけるラップド推論の複雑さを分析するための形式的構造の欠如に対処すること。
• 命題的分解木（dtrees）を一次元レベルに拡張し、モデルの分解とラップドで利用される対称性を両方捉えるFO-dtreesを構築すること。
• FO-dtreeの構造に基づいて、それがラップド推論解をサポートするかどうかを形式的に判定する方法を提供すること。
• ラップド可能であるFO-dtreeから、命題的推論におけるdtreesと同様に、ラップド推論操作の順序を体系的に抽出できること。
• モデル構造に基づいて計算複雑さを形式的に測定できる、新たな複雑さ指標「ラップド幅」を定義・活用すること。

提案手法

• 命題的dtreesの拡張としてFO-dtreesを提案し、ノードが部分モデルを表し、エッジが分解ステップを表す。論理変数と対称性を統合する。
• FO-dtree内のノードがラップド可能であるための条件を定義し、共有される論理変数におけるDPG（パラメータ化されたグランドイングによる分解）を用いた有効な分解が存在することに基づく。
• パラメータ化された確率的変数（PRVs）の範囲サイズと分解ノードの構造に基づき、計算可能となるラップド幅という複雑さ指標を導入する。
• DPGを用いてモデルを再帰的に分解することでFO-dtreesを構築するアルゴリズムを開発し、より良い分解を可能にするために論理変数の名前変更をサポートする。
• カットセットサイズや得られるラップド幅に基づく品質指標を用いてDPGを選択するグリーディーな変種にアルゴリズムを拡張し、木の品質を向上させる。
• 推論の複雑さを O(n_T · log n · exp(w_g) · n_#^(w_#·r_#)) として導出する。ここで w_g はラップド幅、n_T はノード数、n_# は関連する論理変数のドメインサイズである。

実験結果

リサーチクエスチョン

• RQ1 確率論的論理的モデルにおけるラップド推論のための形式的構造を、命題的分解木と類似する形で定義できるか？
• RQ2 FO-dtreeの構造をどのように用いて、ラップド推論解が存在するかを特定できるか？
• RQ3 ラップド推論の計算複雑さは何か？ そして、対称性を考慮した指標を用いて形式的に測定できるか？
• RQ4 FO-dtreeからどのようにしてラップド推論操作の順序を体系的に導出できるか？
• RQ5 FO-dtreesの構築をグリーディー戦略で強化することで、推論効率を向上させられるか？

主な発見

• FO-dtreesは、確率論的論理的モデルにおけるラップド推論解の表現と分析のための、初めての形式的フレームワークを提供する。
• FO-dtreeのラップド幅は、対称性を考慮した複雑さの尺度として機能し、ラップド推論の複雑さの理論的分析を可能にする。
• ラップド推論の複雑さは、O(n_T · log n · exp(w_g) · n_#^(w_#·r_#)) で有界であり、ここで w_g はラップド幅、n_T はノード数、n_# は論理変数のドメインサイズである。
• FO-dtree内のノードがラップド可能であるための必要十分条件は、共有される論理変数における有効なDPG（パラメータ化されたグランドイングによる分解）が存在することであり、これにより対称性の利用が可能になる。
• FO-dtreesを構築するための提案されたアルゴリズムは、任意のモデルに対してそのような木の存在を保証し、ラップド幅やカットセットサイズに基づく品質指標を用いて、グリーディーな方法に拡張可能である。
• 本手法により、FO-dtreeの構造から直接的にラップド操作（例：削除、集約、数え上げ変換）の順序を導出可能であり、命題的推論と同様の枠組みを提供する。