[論文レビュー] Non-Minimal Triangulations for Mixed Stochastic/Deterministic Graphical Models

Chris Bartels, Jeff Bilmes|arXiv (Cornell University)|Jun 27, 2012

Bayesian Modeling and Causal Inference参考文献 30被引用数 3

ひとこと要約

本稿では、混合確率的／決定的グラフィカルモデルにおける計算コストおよびメモリ使用量の削減のため、非最小トライアングル化を導入する。非最小であり、標準的な変数消去法では到達できない大クライクを含むトライアングル化であっても、著者らは著しい高速化を示している。著者らは、先祖ペアに基づくヒューリスティクスを提案し、最適な状態空間トライアングル化においては、先祖ペア間の辺のみを考慮すれば十分であることを証明している。実験的結果から、合成的および実世界のグラフの両方で顕著な性能向上が得られている。

ABSTRACT

We observe that certain large-clique graph triangulations can be useful to reduce both computational and space requirements when making queries on mixed stochastic/deterministic graphical models. We demonstrate that many of these large-clique triangulations are non-minimal and are thus unattainable via the variable elimination algorithm. We introduce ancestral pairs as the basis for novel triangulation heuristics and prove that no more than the addition of edges between ancestral pairs need be considered when searching for state space optimal triangulations in such graphs. Empirical results on random and real world graphs show that the resulting triangulations that yield significant speedups are almost always non-minimal. We also give an algorithm and correctness proof for determining if a triangulation can be obtained via elimination, and we show that the decision problem associated with finding optimal state space triangulations in this mixed stochastic/deterministic setting is NP-complete.

研究の動機と目的

• 混合確率的／決定的グラフィカルモデルにおける最小トライアングル化の非効率性に対処すること。
• 非最小トライアングル化が計算コストおよびメモリ使用量を削減できる状況を特定すること。
• 最適な状態空間トライアングル化のための、先祖ペアに基づく新しいトライアングル化ヒューリスティクスの開発。
• この文脈における最適な状態空間トライアングル化を見つける意思決定問題がNP完全であることを証明すること。
• 与えられたトライアングル化が変数消去法によって達成可能かどうかを決定するためのアルゴリズムと正当性の証明を提供すること。

提案手法

• トライアングル化において関連する辺を特定する構造的根拠として、先祖ペアを導入する。
• 探索空間を削減するため、辺の追加を先祖ペア間のものに制限するヒューリスティクスを開発する。
• 最適な状態空間トライアングル化において、先祖ペア間の辺を超える辺は必要ないことを証明する。
• 与えられたトライアングル化が変数消去法によって得られるかどうかを判定するアルゴリズムを設計する。
• 混合確率的／決定的モデルにおける最適な状態空間トライアングル化意思決定問題のNP完全性を確立する。
• ランダムおよび実世界のグラフを用いた実験的評価により、非最小トライアングル化と最小トライアングル化の性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 非最小トライアングル化は、混合確率的／決定的グラフィカルモデルにおける計算コストおよびメモリ使用量の削減において、最小トライアングル化を上回ることができるか？
• RQ2 混合モデルに、最小でないが最適なトライアングル化を可能にする構造的性質が存在するか？
• RQ3 この文脈において、先祖ペアを基盤とした実用的で正しいトライアングル化ヒューリスティクスを構築できるか？
• RQ4 混合モデルにおける最適な状態空間トライアングル化を見つける問題は、計算的に困難（NP完全）であるか？
• RQ5 与えられたトライアングル化が変数消去法によって達成可能かどうかを効率的に決定できるか、そしてその方法は何か？

主な発見

• 非最小トライアングル化、特に大クライクを含むものについては、ランダムおよび実世界のグラフの両方において、クエリ解決の高速化が一貫して顕著に得られている。
• 提案された先祖ペアに基づくヒューリスティクスは、辺の検討を先祖ペア間のものに限定することで、最適トライアングル化の探索を効率化している。
• 実験的結果から、最も性能の良いトライアングル化はほとんど常に非最小であることが示されており、従来の変数消去法の仮定とは矛盾する。
• 混合確率的／決定的モデルにおける最適な状態空間トライアングル化を見つける意思決定問題が、NP完全であることが証明されている。
• 与えられたトライアングル化が変数消去法によって達成可能かどうかを判定するアルゴリズムとその正当性の証明が提供されている。