[論文レビュー] Inference with separately specified sets of probabilities in credal networks

José Carlos Ferreira da Rocha, Fábio Gagliardi Cozman|arXiv (Cornell University)|Aug 1, 2002

Bayesian Modeling and Causal Inference参考文献 18被引用数 32

ひとこと要約

本稿では、強いインデパーセンスをモデル化するために別々に指定された確率集合を用いる credal ネットワークのための新しい推論アルゴリズムを導入する。特に木構造（pollytree）において、確率的分離性を活用することで計算複雑性を低減する。主な貢献は、この設定における推論が NP 困難であることを証明するとともに、構造的分解によって顕著な効率向上を示したことである。

ABSTRACT

We present new algorithms for inference in credal networks -- directed acyclic graphs associated with sets of probabilities. Credal networks are here interpreted as encoding strong independence relations among variables. We first present a theory of credal networks based on separately specified sets of probabilities. We also show that inference with polytrees is NP-hard in this setting. We then introduce new techniques that reduce the computational effort demanded by inference, particularly in polytrees, by exploring separability of credal sets.

研究の動機と目的

• 別々に指定された確率集合に基づく credal ネットワークの理論を形式化すること。
• このフレームワークにおける推論の計算複雑性を分析すること、特に polytree における複雑性に注目すること。
• credal 集合の分離性を活用して計算負荷を低減する手法を開発すること。

提案手法

• 強いインデパーセンスを表現するために、別々に指定された条件付き確率集合を用いて credal ネットワークを形式化する。
• credal 集合の分離性を活用して推論複雑性を低減する分解戦略を導入する。
• pollytree 内の条件付きインデパーセンスを特定・利用する構造的分析を適用し、計算を効率化する。
• 集合ベースの演算を用いて不確実な確率をネットワーク全体に伝搬する推論アルゴリズムを開発する。
• 提案フレームワークにおける推論が NP 困難であることを証明し、理論的複雑性境界を確立する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、別々に指定された確率集合に基づく理論を用いて credal ネットワークを形式化し、強いインデパーセンスを表現できるか？
• RQ2 この形式化に基づく credal ネットワークにおける推論の計算複雑性は何か、特に polytree における複雑性はどうか？
• RQ3 credal 集合の分離性をどの程度活用して、推論の計算コストを低減できるか？

主な発見

• 別々に指定された確率を用いた credal ネットワークにおける推論は、pollytree でさえも NP 困難であることが示され、根本的な複雑性境界が確立された。
• 提案されたアルゴリズムは、credal 集合の分離性を活用することで、計算負荷の顕著な低減を達成した。
• 分離性に基づく構造的分解により、不確実な確率のネットワーク内での伝搬がより効率的に行えるようになった。
• 明示的かつ別々に確率集合を指定することにより、強いインデパーセンスのモデル化がフレームワークで可能となった。