[論文レビュー] Hybrid Processing of Beliefs and Constraints

Rina Dechter, David Larkin|arXiv (Cornell University)|Jan 10, 2013

Bayesian Modeling and Causal Inference参考文献 13被引用数 27

ひとこと要約

本稿では、確率的信念ネットワークと決定論的ブール制約を統合的に処理するパラメータ化された変数消去アルゴリズムの族を提案する。制約伝播を活用することで推論の効率性が向上する。ネットワークの誘導幅に制約を組み込むことで計算複雑性が低減され、複雑なクエリにおける確率的推論で顕著な性能向上が得られる。

ABSTRACT

This paper explores algorithms for processing probabilistic and deterministic information when the former is represented as a belief network and the latter as a set of boolean clauses. The motivating tasks are 1. evaluating beliefs networks having a large number of deterministic relationships and2. evaluating probabilities of complex boolean querie over a belief network. We propose a parameterized family of variable elimination algorithms that exploit both types of information, and that allows varying levels of constraint propagation inferences. The complexity of the scheme is controlled by the induced-width of the graph {em augmented} by the dependencies introduced by the boolean constraints. Preliminary empirical evaluation demonstrate the effect of constraint propagation on probabilistic computation.

研究の動機と目的

• 大規模な決定論的制約を含む信念ネットワークにおける確率の効率的計算に取り組むこと。
• 信念ネットワーク推論に制約伝播技術を統合することで、確率的推論のスケーラビリティを向上させること。
• 確率的および決定論的推論を統合する単一の計算モデル内に統一的なフレームワークを構築すること。
• 誘導幅をパrameterとして調整可能な制約伝播のレベルにより、推論の複雑性を制御すること。

提案手法

• 確率的ポテンシャルと決定論的ブール制約を同時に処理するハイブリッド変数消去アルゴリズムを提案する。
• 元の信念ネットワーク構造にブール制約からの依存関係を追加するグラフ拡張技術を導入する。
• 誘導幅を複雑さの指標として用い、制約が導入する依存関係によって幅が拡大されることを活用する。
• 制約伝播のレベルを制御するパラメータ化されたスキームを採用し、効率性と正確性のトレードオフを可能にする。
• 制約整合性に基づくプルーニングを用いた変数消去を実装し、探索空間を削減する。
• 確率的推論と制約充足技術を組み合わせることで、複雑なブールクエリをサポートする。

実験結果

リサーチクエスチョン

• RQ1 決定論的制約が存在する場合、信念ネットワークにおける確率的推論をどのように高速化できるか。
• RQ2 制約伝播のレベルを変化させた場合、確率的計算の効率性と正確性にどのような影響を与えるか。
• RQ3 ブール制約からの依存関係を含めるように誘導幅を効果的に拡張できるか。
• RQ4 制約処理の統合が、複雑なクエリにおける信念ネットワーク推論のパフォーマンスにどのように寄与するか。
• RQ5 制約伝播のオーバーヘッドと確率的計算コストの低減の間には、どのようなトレードオフがあるか。

主な発見

• 提案手法は、確率的推論中に制約伝播を活用して探索空間をプルーニングすることで、計算複雑性を低減する。
• 実験的評価により、制約伝播が信念ネットワーク上の複雑なブールクエリにおいて顕著なパフォーマンス向上をもたらすことが示された。
• 拡張されたグラフの誘導幅がアルゴリズムの効率性の主要因であり、高い制約伝播レベルは低い有効幅をもたらす。
• パラメータ化されたスキームにより、利用可能な計算リソースに応じて制約伝播のレベルをユーザーが調整可能である。
• 多くの決定論的関係を有する大規模信念ネットワークに対してもスケーラブルな推論が可能になる。
• 制約が信念ネットワーク構造と密接に統合されている場合、確率的計算で測定可能な高速化が達成される。