[論文レビュー] On Separation Criterion and Recovery Algorithm for Chain Graphs

Milan Studený|arXiv (Cornell University)|Feb 13, 2013

Bayesian Modeling and Causal Inference参考文献 20被引用数 10

ひとこと要約

本稿では、ベイジアンネットワークのd-分離に一般化する、鎖グラフにおける条件付きインデペンダンスのためのグラフィカル基準であるc-分離を導入する。また、依存モデルから最大の鎖グラフを一意に再構成する回復アルゴリズムを提示し、c-分離が完全であり、モーリング化基準と同等であることを確立する。

ABSTRACT

Chain graphs give a natural unifying point of view on Markov and Bayesian networks and enlarge the potential of graphical models for description of conditional independence structures. In the paper a direct graphical separation criterion for chain graphs, called c-separation, which generalizes the d-separation criterion for Bayesian networks is introduced (recalled). It is equivalent to the classic moralization criterion for chain graphs and complete in sense that for every chain graph there exists a probability distribution satisfying exactly conditional independencies derivable from the chain graph by the c-separation criterion. Every class of Markov equivalent chain graphs can be uniquely described by a natural representative, called the largest chain graph. A recovery algorithm, which on basis of the (conditional) dependency model induced by an unknown chain graph finds the corresponding largest chain graph, is presented.

研究の動機と目的

• 鎖グラフにおける条件付きインデペンダンスの完全で直接的なグラフィカル基準を確立すること。これは、ベイジアンネットワークにおけるd-分離の一般化を目的とする。
• 鎖グラフのマルコフ同値クラスごとに一意の代表的グラフ（最大鎖グラフと呼ばれる）を定義すること。
• 観測された依存モデルから最大鎖グラフを推定する回復アルゴリズムを開発すること。
• c-分離が古典的なモーリング化基準と同等であり、鎖グラフから導出可能なすべての条件付きインデペンダンスを網羅することを証明すること。
• 鎖グラフを用いた条件付きインデペンダンス構造の統一的枠組みを提供することにより、マルコフネットワークとベイジアンネットワークの両方を包含すること。

提案手法

• 鎖グラフにおける条件付きインデペンダンスを特定するためのグラフィカル基準としてc-分離を導入し、d-分離を鎖グラフの文脈に拡張する。
• 最大鎖グラフを、各連結成分内で可能な限り多くの無向辺を有するという特徴によって特徴づけ、マルコフ同値クラスの唯一の代表的グラフとして定義する。
• 未知の鎖グラフが誘導する依存モデルを分析することで、最大鎖グラフを構築する回復アルゴリズムを提案する。
• c-分離と鎖グラフにおけるモーリング化基準との同等性を確立し、従来の理論的基盤と整合することを保証する。
• c-分離の完全性を用いて、グラフから導出可能なすべての条件付きインデペンダンスがこの基準によって網羅されることを保証する。
• 依存モデルとc-分離規則に基づいて、反復的に辺を追加することで、最大鎖グラフの構造を体系的に推論する手順を採用する。

実験結果

リサーチクエスチョン

• RQ1 d-分離の一般化をどのように鎖グラフに対して定義すれば、条件付きインデペンダンスを捉えることができるか？
• RQ2 鎖グラフのマルコフ同値クラスごとの代表的グラフ（最大鎖グラフ）の構造はどのようなものか？
• RQ3 観測された依存モデルから最大鎖グラフを再構成する回復アルゴリズムは存在するか？
• RQ4 提案されたc-分離基準は、鎖グラフにおける標準的なモーリング化基準と同等であるか？
• RQ5 c-分離基準は完全であると見なせるか？すなわち、鎖グラフから導出可能なすべての条件付きインデペンダンスが、この基準によって網羅されるか？

主な発見

• c-分離基準は、鎖グラフにおける条件付きインデペンダンスを特定する完全で直接的なグラフィカル手法として導入された。
• 最大鎖グラフは、鎖グラフのマルコフ同値クラスの唯一の代表的グラフとして特定された。
• 回復アルゴリズムは、鎖グラフが誘導する任意の依存モデルから最大鎖グラフを成功裏に再構成した。
• c-分離が古典的なモーリング化基準と同等であることが証明され、理論的整合性が裏付けられた。
• c-分離の完全性により、鎖グラフから導出可能なすべての条件付きインデペンダンスが基準によって網羅されることを保証した。
• 本フレームワークは、鎖グラフの形式的枠組み内で、マルコフネットワークとベイジアンネットワークの両方を統一的に扱う視点を提供した。