[論文レビュー] Practical Uses of Belief Functions

Philippe Smets|arXiv (Cornell University)|Jan 23, 2013

Bayesian Modeling and Causal Inference参考文献 44被引用数 104

ひとこと要約

本稿は、4つの分野における信念関数の実用的応用を示している：判別分析における部分的ラベル学習、情報検索におけるドキュメント間関係、重複するフレームを持つセンサーからのデータ統合、およびセンサー間の矛盾を用いたソース数推定。従来の確率論が失敗する状況における不確実性と無知を効果的にモデル化し、欠落や矛盾のある情報が存在する現実世界の状況においても強固な解決策を提供する。

ABSTRACT

We present examples where the use of belief functions provided sound and elegant solutions to real life problems. These are essentially characterized by ?missing' information. The examples deal with 1) discriminant analysis using a learning set where classes are only partially known; 2) an information retrieval systems handling inter-documents relationships; 3) the combination of data from sensors competent on partially overlapping frames; 4) the determination of the number of sources in a multi-sensor environment by studying the inter-sensors contradiction. The purpose of the paper is to report on such applications where the use of belief functions provides a convenient tool to handle ?messy' data problems.

研究の動機と目的

• 従来の確率的手法が不十分となる、不完全または部分的にしか分からない情報が関与する現実世界の問題に対処すること。
• 信念関数が実際のAI応用において不確実性と無知を管理するうえで有効であることを示すこと。
• センサーフュージョン、部分ラベルを用いた学習、情報検索などの分野において、信念関数を用いた具体的かつスケーラブルな解決策を提供すること。
• 信念関数が、重複するか矛盾するフレーム・オブ・ディスクライムを有する複数の情報源からの証拠を統合する一貫性のある枠組みを提供すること。

提案手法

• 証拠が不完全または曖昧な場合に、命題の上に信念構造を表現するためにDempster-Shafer理論を用いる。
• 部分的にラベル付けされた訓練データを用いた判別分析において、一般化ベイズの定理を適用して信念関数を更新する。
• ドキュメントの関連性や関係性における不確実性を表現するために、信念関数を用いて情報検索におけるドキュメント間関係をモデル化する。
• センサーが部分的に重複する識別フレーム上で動作する場合、信念関数の組み合わせ規則を用いてセンサーデータを統合する。
• 複数のセンサーからの矛盾を分析し、マルチセンサー環境における独立したソースの数を推定する。
• 信念関数間の矛盾尺度を診断的ツールとして用い、ソース数の推定と不整合の検出に活用する。

実験結果

リサーチクエスチョン

• RQ1 訓練データにおいてクラスラベルが部分的にしか分かっていない状況で、信念関数を用いてどのように判別分析を実行できるか？
• RQ2 情報検索において、関連性が不確実または関係的である場合、信念関数はドキュメント間の関係をどのようにモデル化できるか？
• RQ3 センサーが同一ではないが部分的に重複する識別フレーム上で動作する場合、信念関数はどのようにしてデータを統合できるか？
• RQ4 複数のセンサーからの信念関数の矛盾度合いを用いて、システム内に実際に存在するソース数を推定できるか？
• RQ5 実応用において欠落や矛盾のある情報に対処するうえで、信念関数は標準的な確率モデルに比べてどのような利点を提供するか？

主な発見

• 信念関数を用いることで、部分的なラベルしか入手できない状況下でも効果的な判別分析が可能となり、ラベルの不確実性下で標準ベイズ手法を上回る性能を示した。
• 情報検索において、信念関数はドキュメント間の関係を効果的にモデル化し、関連性や接続性の不確実性を捉えることで、検索精度を向上させた。
• 信念関数を用いたセンサーデータの統合は、センサーが部分的に重複するフレーム上で動作する場合でも、一貫性を保ちながら曖昧さを低減するという点で頑健であった。
• 異なるセンサーからの信念関数間の矛盾度合いは、マルチセンサ環境における実際のソース数を推定するための信頼できる指標であった。
• 信念関数は、確率論が完全な情報が欠落しているために失敗する状況においても、無知と不確実性を一貫性があり数学的に整合性のある枠組みで管理する手段を提供した。