[論文レビュー] On the Robustness of Most Probable Explanations

Hei Chan, Adnan Darwiche|arXiv (Cornell University)|Jun 27, 2012

Bayesian Modeling and Causal Inference参考文献 13被引用数 41

ひとこと要約

本稿では、1つのパラメータの摂動に対してベイジアンネットワークにおける最も確実な説明（MPE）のロバストネスを計算する最初のアルゴリズムを紹介する。このアルゴリズムは、MPEを保持する範囲内で許容可能な最大変化量を計算し、n 個の変数と w の木幅を用いて O(n exp(w)) 時間で実行される。

ABSTRACT

In Bayesian networks, a Most Probable Explanation (MPE) is a complete variable instantiation with a highest probability given the current evidence. In this paper, we discuss the problem of finding robustness conditions of the MPE under single parameter changes. Specifically, we ask the question: How much change in a single network parameter can we afford to apply while keeping the MPE unchanged? We will describe a procedure, which is the first of its kind, that computes this answer for each parameter in the Bayesian network variable in time O(n exp(w)), where n is the number of network variables and w is its treewidth.

研究の動機と目的

• 1つのベイジアンネットワークパラメータの変更が最も確実な説明（MPE）を変えることなく許容される最大変化量を特定すること。
• パラメータの摂動下でのMPEのロバストネスを評価するための形式的枠組みを提供すること。
• 木幅に従ってスケーリングする効率的な計算手法を開発すること。
• 実用的なベイジアンネットワーク応用におけるMPE結果の感度分析を可能にすること。
• 確率的推論システムにおける説明の安定性を体系的に評価する方法を提供すること。

提案手法

• 1つのネットワークパラメータにおける摂動の最大許容値としてMPEのロバストネスを形式化し、MPEを保持する条件を定義する。
• ベイジアンネットワークの木幅を用いて、ロバストネス解析の計算複雑度を制限する。
• ネットワークのクラスタグラフ表現に動的計画法を適用し、ロバストネスの境界を効率的に計算する。
• パラメータ変更があってもMPEが変化しない条件を解析的に導出する。
• 各ネットワークパラメータを独立して処理し、個々のロバストネスしきい値を計算する。
• 効率的な推論と感度計算を可能にするために、ネットワークをジュンクションツリー構造に多項式時間で変換する。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンネットワークにおける1つのパラメータの最大変更量は何か、それがMPEを保持するか？
• RQ2 ネットワーク内の各パラメータに対して、このロバストネスしきい値を効率的に計算する方法は何か？
• RQ3 1パラメータ摂動下でのMPEのロバストネスを決定する計算複雑度は何か？
• RQ4 各パラメータ変更に対して再び全説明を再計算せずに、MPEのロバストネスを分析できるか？
• RQ5 ネットワークの木幅は、ロバストネス計算のスケーラビリティにどのように影響するか？

主な発見

• 提案されたアルゴリズムは、n 個の変数と w の木幅を用いて、各パラメータのロバストネスを O(n exp(w)) 時間で計算する。
• この手法により、再評価なしにMPEを保持する最大許容パラメータ変更量を正確に計算できる。
• ロバストネスはパラメータごとに決定され、MPEの細かい感度分析が可能になる。
• このアルゴリズムは、MPEの1パラメータロバストネス問題に対して、完全かつ効率的な解決策を提供する最初のものである。
• 中程度の木幅を持つネットワークに対してもスケーラブルであるため、実世界のベイジアンネットワークに適用可能である。
• 診断的推論や意思決定支援などの、説明の安定性が求められるシステムへの実用的導入を支援する。