[論文レビュー] Independence Concepts for Convex Sets of Probabilities

Luis M. de Campos, Serafı́n Moral|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 13被引用数 63

ひとこと要約

本稿は、確率の凸集合における2つの異なる独立性概念—無関係性と因子分解—を調査し、それらが関連しているが同等ではないことを示している。本稿は、これらの独立性概念を用いて、周辺凸集合からグローバルな凸集合を構築するフレームワークを提案し、人工知覚における不確実性下での確率的推論に一貫性のあるアプローチを提供する。

ABSTRACT

In this paper we study different concepts of independence for convex sets of probabilities. There will be two basic ideas for independence. The first is irrelevance. Two variables are independent when a change on the knowledge about one variable does not affect the other. The second one is factorization. Two variables are independent when the joint convex set of probabilities can be decomposed on the product of marginal convex sets. In the case of the Theory of Probability, these two starting points give rise to the same definition. In the case of convex sets of probabilities, the resulting concepts will be strongly related, but they will not be equivalent. As application of the concept of independence, we shall consider the problem of building a global convex set from marginal convex sets of probabilities.

研究の動機と目的

• 確率の凸集合内における2つの独立性概念—無関係性と因子分解—を形式化し、比較すること。
• 与えられた周辺凸集合からグローバルな凸集合を構築するという課題に取り組むこと。
• 不確実な確率モデルにおける無関係性（信念に影響がないこと）と因子分解（積の分解）の関係を明確にすること。
• 分布の凸集合を用いた理論的基盤を提供し、不確実性下での確率的推論を支援すること。
• 古典的独立性概念を、特に人工知覚の文脈において、不確実確率枠組みへと拡張すること。

提案手法

• ある変数の信念が、他の変数に関する証拠が更新されても変わらないこととして、無関係性を定義する。
• 関連する凸集合を周辺凸集合の積に分解することとして、因子分解を定義する。
• 信念の不確実性を表現する数学的基盤として、確率分布の凸集合を用いる。
• 無関係性が因子分解を意味する条件と、逆に因子分解が無関係性を意味する条件を分析する。
• 独立性概念を、周辺化とグローバルモデル構築の問題に適用する。
• 不確実確率の理論を活用し、非加法的枠組み内で変数間の相互作用を一貫して形式化する。

実験結果

リサーチクエスチョン

• RQ1 確率の凸集合において、無関係性と因子分解独立性の概念はどのように異なるか？
• RQ2 無関係性が因子分解を意味する条件は何か。逆に因子分解が無関係性を意味する条件は何か？
• RQ3 独立性制約を用いて、周辺凸集合から一貫したグローバルな凸集合を構築できるか？
• RQ4 これらの独立性概念は、不確実確率の文脈において、古典的確率的独立性をどのように一般化するか？
• RQ5 これらの独立性概念は、AIシステムにおける不確実性下の意思決定にどのような意味を持つのか？

主な発見

• 無関係性と因子分解独立性は、確率の凸集合において明確に異なる概念であり、無関係性は因子分解よりも弱い条件である。
• 因子分解は無関係性を含むが、逆は一般に成り立たない。
• 周辺凸集合を独立性制約を用いてグローバルな凸集合に組み合わせるための条件を確立した。
• このフレームワークは、特に不確実確率を伴うグラフィカルモデルにおいて、一貫した確率的推論を可能にする。
• 古典的独立性定義は、注意深く再解釈しない限り、凸集合へ直接拡張できないことが示された。
• 周辺集合からグローバルモデルを構築する応用は、独立性概念が不確実性モデリングにおいて実用的であることを示している。