[論文レビュー] Most Relevant Explanation in Bayesian Networks

Changhe Yuan, Hee‐Jin Lim+1 more|arXiv (Cornell University)|Jan 16, 2014

Bayesian Modeling and Causal Inference参考文献 51被引用数 60

ひとこと要約

本稿では、一般化ベイズ因子（GBF）を最大化することで、観測された証拠を最もよく説明する、ターゲット変数の最も関連性の高い部分集合を特定する、Most Relevant Explanation（MRE）という手法を紹介する。MREは、変数の関連性を定量化し、説明のための効果（explaining-away）を捉える条件付きベイズ因子（CBF）を用いて、不要な変数を自動で刈り込む。その結果、簡潔で正確かつ多様な説明が得られ、診断用ベイジアンネットワークにおいて既存の手法を上回る性能を発揮する。

ABSTRACT

A major inference task in Bayesian networks is explaining why some variables are observed in their particular states using a set of target variables. Existing methods for solving this problem often generate explanations that are either too simple (underspecified) or too complex (overspecified). In this paper, we introduce a method called Most Relevant Explanation (MRE) which finds a partial instantiation of the target variables that maximizes the generalized Bayes factor (GBF) as the best explanation for the given evidence. Our study shows that GBF has several theoretical properties that enable MRE to automatically identify the most relevant target variables in forming its explanation. In particular, conditional Bayes factor (CBF), defined as the GBF of a new explanation conditioned on an existing explanation, provides a soft measure on the degree of relevance of the variables in the new explanation in explaining the evidence given the existing explanation. As a result, MRE is able to automatically prune less relevant variables from its explanation. We also show that CBF is able to capture well the explaining-away phenomenon that is often represented in Bayesian networks. Moreover, we define two dominance relations between the candidate solutions and use the relations to generalize MRE to find a set of top explanations that is both diverse and representative. Case studies on several benchmark diagnostic Bayesian networks show that MRE is often able to find explanatory hypotheses that are not only precise but also concise.

研究の動機と目的

• 説明が単純すぎず、複雑すぎないベイジアンネットワークにおける説明生成の問題に対処すること。
• 観測された証拠を説明するための最も関連性の高いターゲット変数を自動で特定する手法を開発すること。
• 説明のための効果（explaining-away）を説明プロセスに自然に組み込むこと。
• 優位性関係を用いて、一意の説明ではなく、多様で代表的な上位の説明の集合を生成すること。
• ベンチマーク用のベイジアンネットワークにおける診断的説明の正確性と簡潔さを向上させること。

提案手法

• MREは、一般化ベイズ因子（GBF）を最大化するターゲット変数の部分的インスタンスを、最良の説明として選択する。
• 既存の説明を前提として、追加の変数の関連性を測るための条件付きベイズ因子（CBF）を用い、不要な変数の自動刈り込みを可能にする。
• CBFはソフトな関連性指標として機能し、既存の説明を前提としたもとで、新たな変数が証拠をどの程度説明に寄与するかを定量化する。
• 候補となる説明同士の優位性関係を活用することで、MREを一般化し、上位で多様かつ代表的な説明の集合を生成する。
• GBFとCBFの理論的性質により、MREはベイジアンネットワークに内在する説明のための効果を捉えることができる。
• 説明の質と簡潔さを評価するために、ベンチマーク用の診断用ベイジアンネットワークにこの手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 観測された証拠を説明するベイジアンネットワーク内の最も関連性の高い変数を自動で特定するにはどうすればよいか？
• RQ2 説明における変数の関連性を定量化する指標として、説明のための効果を捉えるには何が適しているか？
• RQ3 一意の説明ではなく、多様で代表的な上位の説明の集合を生成するにはどうすればよいか？
• RQ4 MREは、既存の手法と比較して、正確かつ簡潔な説明を生成できるか？
• RQ5 GBFとCBFの理論的性質は、説明における不要な変数の自動刈り込みをどのように支援するか？

主な発見

• MREは、一般化ベイズ因子（GBF）を最大化することで、証拠を説明するのに最も関連性の高い変数を効果的に同定した。
• 条件付きベイズ因子（CBF）は、変数の関連性を効果的に測定し、説明における不要な変数の自動刈り込みを可能にした。
• CBFは、ベイジアンネットワークにおける説明のための効果を捉えており、ある変数からの証拠が、他の変数による説明の必要性を減少させる様子を反映している。
• 優位性関係の使用により、MREは多様で代表的な上位の説明の集合を生成でき、説明のカバレッジが向上した。
• ベンチマーク用の診断用ベイジアンネットワークにおける事例研究では、MREが、既存の手法よりも正確かつ簡潔な説明を生成した。
• GBFの理論的性質により、MREの説明は、ベイジアン推論の原則に整合し、適切に正当化されたものとなった。