[論文レビュー] Integrating Probabilistic, Taxonomic and Causal Knowledge in Abductive Diagnosis

Dekang Lin, Randy Goebel|arXiv (Cornell University)|Mar 27, 2013

Biomedical Text Mining and Ontologies被引用数 5

ひとこと要約

本稿では、確率的、因果的、分類的知識を統合して、個別の仮説ではなく因果イベントの連鎖として説明を生成する、革新的な帰納的診断フレームワークを提案する。シナリオの確率は因果イベントの条件付き確率から計算され、知識ベースのサイズに対して多項式時間の複雑さを示し、観測数に対してのみ指数的スケーリングを行う。従来の帰納的推論手法に比べてスケーラブルな代替手法を提供する。

ABSTRACT

We propose an abductive diagnosis theory that integrates probabilistic, causal and taxonomic knowledge. Probabilistic knowledge allows us to select the most likely explanation; causal knowledge allows us to make reasonable independence assumptions; taxonomic knowledge allows causation to be modeled at different levels of detail, and allows observations be described in different levels of precision. Unlike most other approaches where a causal explanation is a hypothesis that one or more causative events occurred, we define an explanation of a set of observations to be an occurrence of a chain of causation events. These causation events constitute a scenario where all the observations are true. We show that the probabilities of the scenarios can be computed from the conditional probabilities of the causation events. Abductive reasoning is inherently complex even if only modest expressive power is allowed. However, our abduction algorithm is exponential only in the number of observations to be explained, and is polynomial in the size of the knowledge base. This contrasts with many other abduction procedures that are exponential in the size of the knowledge base.

研究の動機と目的

• 確率的、因果的、分類的知識を統合した統一的帰納的診断フレームワークを構築し、より優れた診断推論を実現すること。
• 因果的要因を個別のイベントとしてではなく、一貫性のあるシナリオを形成する因果イベントの連鎖としてモデル化すること。
• 分類的階層を用いて、説明の詳細度や精度をさまざまなレベルで制御できること。
• アルゴリズムが知識ベースのサイズではなく観測数にのみ指数的成長することを保証することで、計算複雑度を低減すること。
• 因果イベントの条件付き確率から診断シナリオの確率を正しく計算するための原理的かつ整合的な手法を提供すること。

提案手法

• 診断を、観察された現象をすべて説明する因果イベントの連鎖の発生として表現する。
• 因果的知識を用いて、因果イベント間の条件付き独立性仮定を正当化する。
• 分類的知識を適用して、因果モデルを複数の抽象化レベルで記述可能とし、観察の記述をさまざまな粒度で可能にする。
• 診断シナリオの確率を、その構成要素である因果イベントの条件付き確率の積として計算する。
• 観測数にのみ指数的成長するため、知識ベースのサイズに依存しない帰納的アルゴリズムを採用し、大規模な知識ベースに対しても効率的である。
• 因果的および分類的階層からの構造的制約を活用して探索空間を縮小し、スケーラビリティを向上させる。

実験結果

リサーチクエスチョン

• RQ1 確率的、因果的、分類的知識を、一貫した方法で一つの帰納的診断フレームワークに統合するにはどうすればよいか？
• RQ2 因果の連鎖を捉えるが個別の原因にとどまらない、効果的な診断説明の表現方法は何か？
• RQ3 統一フレームワーク内で、観察や因果モデルの詳細度や精度を変化させることをどのようにサポートできるか？
• RQ4 知識ベースのサイズに伴う指数的成長を回避することで、帰納的推論の計算複雑度を低減できるか？
• RQ5 因果イベントの条件付き確率に基づいて、診断シナリオの確率を正しく計算する適切な方法は何か？

主な発見

• 提案されたフレームワークは、説明を因果イベントの連鎖としてモデル化することで、より一貫性があり文脈に即した診断を可能にする。
• 診断シナリオの確率は、その因果イベントの条件付き確率の積として計算可能であり、確率的整合性を保証する。
• 帰納的アルゴリズムは知識ベースのサイズに対して多項式時間でスケーリングされ、大規模応用に対しても効率的である。
• アルゴリズムの指数的複雑度は観測数にのみ依存し、知識ベースのサイズには依存しないため、スケーラビリティが著しく向上する。
• 分類的知識の統合により、因果モデルと観察の両方が複数の抽象化レベルで柔軟にモデル化可能である。
• 知識ベースのサイズに伴う指数的爆発を回避するため、従来の帰納的推論手法に比べて計算効率が優れている。