[論文レビュー] Fuzzy Knowledge Representation Based on Possibilistic and Necessary Bayesian Networks

Abdelkader Heni, Mohamed Nazih Omri+1 more|arXiv (Cornell University)|Jun 5, 2012

Bayesian Modeling and Causal Inference参考文献 15被引用数 4

ひとこと要約

本稿では、曖昧で不正確な知識を表現するため、可能性論理とベイジアンネットワークを統合する新規フレームワークを提案する。局所的必要性値付き知識ベースを用いて定性的および定量的推論を可能とし、明確な確信度を曇らせて、不確実性下での意思決定におけるロバスト性と滑らかさを向上させる。不確実な知識のスケーラブルな表現に、コン pact で効率的な手法を提供する。

ABSTRACT

Within the framework proposed in this paper, we address the issue of extending the certain networks to a fuzzy certain networks in order to cope with a vagueness and limitations of existing models for decision under imprecise and uncertain knowledge. This paper proposes a framework that combines two disciplines to exploit their own advantages in uncertain and imprecise knowledge representation problems. The framework proposed is a possibilistic logic based one in which Bayesian nodes and their properties are represented by local necessity-valued knowledge base. Data in properties are interpreted as set of valuated formulas. In our contribution possibilistic Bayesian networks have a qualitative part and a quantitative part, represented by local knowledge bases. The general idea is to study how a fusion of these two formalisms would permit representing compact way to solve efficiently problems for knowledge representation. We show how to apply possibility and necessity measures to the problem of knowledge representation with large scale data. On the other hand fuzzification of crisp certainty degrees to fuzzy variables improves the quality of the network and tends to bring smoothness and robustness in the network performance. The general aim is to provide a new approach for decision under uncertainty that combines three methodologies: Bayesian networks certainty distribution and fuzzy logic.

研究の動機と目的

• 従来のベイジアンネットワークが曖昧で不正確な知識を扱う際の限界を解消すること。
• 特定のベイジアンネットワークを曖昧な確実性ネットワークに拡張し、不確実性のモデリングを改善すること。
• 可能性論理とベイジアンネットワークの長所を組み合わせ、よりロバストな知識表現を実現すること。
• 必要性値付き知識ベースを用いた定性的および定量的フレームワークを導入すること。
• 明確な確信度の曇らせを適用することで、ネットワークの性能を向上させること。

提案手法

• フレームワークは、ベイジアンノードおよびその特性を局所的必要性値付き知識ベースとして表現する可能性論理の基盤を用いる。
• ネットワークの性質に含まれるデータは、可能性論理構造内における値付けられた論理式の集合として解釈される。
• このアプローチでは、ネットワークを定性的（可能性論理的）および定量的（ベイジアン）なコンポーネントに分離し、それぞれを局所的知識ベースとして表現する。
• 明確な確信度の曇らせを適用することで、ネットワークの挙動における滑らかさとロバスト性を向上させる。
• 不確実性と曇りを測定するため、可能性と必要性の測度が、大規模な知識表現タスクに用いられる。
• 曇り論理とベイジアンネットワークの統合により、不確実性下での意思決定がより柔軟かつ耐障害的になる。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてベイジアンネットワークを曖昧で曇った知識を効果的に扱えるように拡張できるか？
• RQ2 必要性値付き知識ベースは、曇ったフレームワーク内での不確実な依存関係をどのように表現するか？
• RQ3 明確な確信度の曇らせが、ベイジアンネットワークのロバスト性とパフォーマンスをどのように向上させるか？
• RQ4 可能性論理とベイジアンネットワークをどのように統合し、不確実性下での知識表現を強化できるか？
• RQ5 曇り論理、ベイジアンネットワーク、および可能性論理の推論を組み合わせたハイブリッドモデルは、よりコン pact で効率的な知識表現を達成できるか？

主な発見

• 提案されたフレームワークは、可能性論理とベイジアンネットワークを効果的に統合し、不確実性と曇りの両方をモデリングした。
• 明確な確信度の曇らせは、より滑らかでロバストなネットワークパフォーマンスをもたらす。
• 局所的必要性値付き知識ベースの使用により、定性的および定量的推論コンポーネントの明確な分離が可能になった。
• フレームワークは、大規模な不確実な知識のコン pact で効率的な表現を可能にする。
• 可能性と必要性の測度は、知識表現タスクにおける不確実性の測定に効果的に適用された。
• ベイジアンネットワーク、曇り論理、可能性論理の3つの手法の統合により、不確実性下での意思決定に対する包括的なアプローチが実現された。