[論文レビュー] Object-Oriented Bayesian Networks

Daphne Koller, Avi Pfeffer|arXiv (Cornell University)|Feb 6, 2013

Bayesian Modeling and Causal Inference参考文献 14被引用数 495

ひとこと要約

この論文は、クラス、オブジェクト、継承、カプセル化といったオブジェクト指向の原則を用いてベイジアン・ネットワークを拡張する、オブジェクト指向ベイジアン・ネットワーク（OOBNs）という形式を導入する。これにより、複雑な確率的ドメインをよりモジュラーかつスケーラブルにモデル化できる。OOBNsを確率的関数型プログラムとして解釈する宣言的意味論と、構造的再利用およびカプセル化を活用して効率を向上させる推論アルゴリズムを提示しており、階層的モデルにおける計算時間を顕著に短縮している。

ABSTRACT

Bayesian networks provide a modeling language and associated inference algorithm for stochastic domains. They have been successfully applied in a variety of medium-scale applications. However, when faced with a large complex domain, the task of modeling using Bayesian networks begins to resemble the task of programming using logical circuits. In this paper, we describe an object-oriented Bayesian network (OOBN) language, which allows complex domains to be described in terms of inter-related objects. We use a Bayesian network fragment to describe the probabilistic relations between the attributes of an object. These attributes can themselves be objects, providing a natural framework for encoding part-of hierarchies. Classes are used to provide a reusable probabilistic model which can be applied to multiple similar objects. Classes also support inheritance of model fragments from a class to a subclass, allowing the common aspects of related classes to be defined only once. Our language has clear declarative semantics: an OOBN can be interpreted as a stochastic functional program, so that it uniquely specifies a probabilistic model. We provide an inference algorithm for OOBNs, and show that much of the structural information encoded by an OOBN--particularly the encapsulation of variables within an object and the reuse of model fragments in different contexts--can also be used to speed up the inference process.

研究の動機と目的

• 従来のベイジアン・ネットワークを用いた大規模で複雑な確率的ドメインのモデリングにおけるスケーラビリティと保守性の課題に対処すること。
• クラス、オブジェクト、継承といったオブジェクト指向の原則を統合することで、確率的モデリングのためのモジュラーかつ再利用可能なフレームワークを提供すること。
• OOBNsに明確な宣言的意味論を定義し、確率的モデルを一意に指定すること。
• 構造的情報（特にカプセル化とコード再利用）を活用して計算効率を向上させる推論アルゴリズムを開発すること。
• オブジェクトの組み合わせにより、部品-関係の階層構造やドメイン固有の再利用可能なモデル断片を自然に表現できること。

提案手法

• オブジェクトの属性間の確率的関係をベイジアン・ネットワーク断片でモデル化し、変数をオブジェクト内にカプセル化する。
• 再利用可能な確率的モデルテンプレートをクラスで定義し、複数のオブジェクトにインスタンス化可能にする。
• 親クラスからサブクラスへのモデル断片の継承をサポートし、冗長性を低減するとともに一貫性を高める。
• OOBNsを確率的関数型プログラムとして解釈することで、モデル解釈のための形式的かつ曖昧でない意味論を提供する。
• オブジェクト境界と継承階層を活用して計算を最適化する推論アルゴリズムを採用し、中間結果を再利用し、重複計算を回避する。
• オブジェクトのカプセル化やモデル再利用といった構造的情報を活用して、従来のベイジアン・ネットワーク手法を上回る推論の高速化を実現する。

実験結果

リサーチクエスチョン

• RQ1 オブジェクト指向の原則をどのようにベイジアン・ネットワークに統合することで、複雑なドメインのモデリングにおけるモularityとスケーラビリティを向上させられるか？
• RQ2 オブジェクト指向確率的モデルに形式的で宣言的な意味論を定義できるか。その意味論により、下位の確率的モデルの曖昧な解釈を回避できるか？
• RQ3 カプセル化や継承といった構造的情報は、確率的推論の効率向上にどの程度活用できるか？
• RQ4 提案されたOOBNフレームワークは、部品-関係の階層構造や再利用可能なモデルコンポonentsをどのように自然にサポートするか？
• RQ5 モノリシックなベイジアン・ネットワークと比較して、推論中にオブジェクト境界と継承を活用することで、どの程度のパフォーマンス向上が達成できるか？

主な発見

• OOBNsフレームワークは、確率的関数型プログラムとしての解釈により、明確で宣言的な意味論を提供し、モデルの曖昧な指定を回避する。
• オブジェクトのカプセル化やモデル再利用といった構造的情報を活用することで、OOBNsにおける推論が著しく高速化され、重複計算が削減される。
• 継承により、共通する確率的構造を一度定義して複数のクラスで再利用可能となり、モデルの保守性と一貫性が向上する。
• 属性をオブジェクトとして許容することで、複雑なシステムの階層的モデリングが自然に可能となる。
• 推論アルゴリズムは、類似したオブジェクト間で計算を再利用し、特に大規模モデルにおいてクラスベースのモデル断片を活用することで、パフォーマンスの向上を達成する。
• モジュラーで階層的かつ拡張可能な確率的関係の指定が可能になることで、複雑なドメインにおけるモデリング負荷が軽減される。