[論文レビュー] Ideal Reformulation of Belief Networks

Jack Breese, Eric Horvitz|arXiv (Cornell University)|Mar 27, 2013

Bayesian Modeling and Causal Inference参考文献 7被引用数 47

ひとこと要約

本稿では、時間的制約下での信念ネットワークの再定式化と推論の間で時間を最適に配分する戦略を提案する。ヒューリスティック探索手法の性能分布と推論時間のモデル化を通じて、解の価値を最大化する理想的な再定式化時間の導出がなされ、原理的なリソース配分により信念ネットワーク推論における顕著な効率向上が示された。

ABSTRACT

The intelligent reformulation or restructuring of a belief network can greatly increase the efficiency of inference. However, time expended for reformulation is not available for performing inference. Thus, under time pressure, there is a tradeoff between the time dedicated to reformulating the network and the time applied to the implementation of a solution. We investigate this partition of resources into time applied to reformulation and time used for inference. We shall describe first general principles for computing the ideal partition of resources under uncertainty. These principles have applicability to a wide variety of problems that can be divided into interdependent phases of problem solving. After, we shall present results of our empirical study of the problem of determining the ideal amount of time to devote to searching for clusters in belief networks. In this work, we acquired and made use of probability distributions that characterize (1) the performance of alternative heuristic search methods for reformulating a network instance into a set of cliques, and (2) the time for executing inference procedures on various belief networks. Given a preference model describing the value of a solution as a function of the delay required for its computation, the system selects an ideal time to devote to reformulation.

研究の動機と目的

• 時間的制約下での信念ネットワークの再定式化に要する時間と推論に要する時間のトレードオフを扱う。
• 相互に依存する問題解決フェーズにわたる理想的なリソース配分の一般枠組みを構築する。
• 性能分布と推論時間分布を用いて、信念ネットワークにおけるクラスタ探索の最適な時間割当てを経験的に特定する。
• 計算遅延を関数として解の価値を定量化する好みモデルを統合する。
• 期待される解の有用性を最大化する最適な再定式化期間を選択できるようにシステムを可能にする。

提案手法

• 期待効用最大化を用いて、不確実性下での意思決定としてリソース配分問題を形式化する。
• 信念ネットワークにおけるクライーク形成のためのヒューリスティック探索手法の性能を、経験的確率分布を用いてモデル化する。
• さまざまなネットワーク構造と設定における推論時間分布を特徴付ける。
• 探索性能分布と推論時間分布を組み合わせ、異なる再定式化時間に対する期待される解の価値を計算する。
• 解の遅延を解の価値にマップする好みモデルを適用し、最適な時間割当てを導出する。
• 得られた有用性関数を用いて、期待される解の価値を最大化する最適な再定式化時間を特定する。

実験結果

リサーチクエスチョン

• RQ1 推論を実行する前に信念ネットワークを再定式化するために最適な時間はどれくらいか？
• RQ2 解の価値を最大化するために、再定式化時間と推論時間のトレードオフをどのようにモデル化できるか？
• RQ3 最適なリソース配分を可能にするヒューリスティック探索手法および推論手順の性能特性は何か？
• RQ4 解の価値は計算遅延が増加するにつれてどのように低下するのか、そしてその低下はどのように定量化できるか？
• RQ5 相互に依存する問題解決フェーズにわたる時間割当てに対して、原理的で一般的な手法を開発できるか？

主な発見

• 最適な再定式化時間は、改善された推論による期待される時間短縮と再定式化のコストのバランスを取ることで導出される。
• 経験的結果から、固定時間割当てやヒューリスティック時間割当てと比較して、理想的な再定式化期間を用いることで解の効率が顕著に向上することが示された。
• 本手法は、探索ヒューリスティクスと推論手順の両方の性能分布を効果的に活用し、最適な時間配分を計算できる。
• このフレームワークは、時間-コストのトレードオフを伴う相互に依存するフェーズを有するあらゆる問題に一般化可能である。
• 本手法により、ネットワーク構造とユーザーの好みに基づいて、動的に最適な再定式化期間を選択できるようになる。
• 本研究では、再定式化の時間コストを無視すると、推論速度が向上しても性能が最適でないことが示された。