[論文レビュー] Propagation using Chain Event Graphs

Peter Thwaites, Jim Q. Smith+1 more|arXiv (Cornell University)|Jun 13, 2012

Bayesian Modeling and Causal Inference参考文献 12被引用数 20

ひとこと要約

本稿は、自然な積構造を持たない非対称な確率過程をモデル化するための図的モデルであるチェーンイベントグラフ（CEGs）向けに、新しい確率伝播アルゴリズムを提案する。『トランスポートャ CEG』と呼ばれる構造を構築することで、ベイジアンネットワークにおける三角化されたジョイントリーに類似した手法を用い、CEGのトポロジーに特化した要因分解規則を駆使して効率的な推論を実現する。非対称性が顕著な状況では、従来のベイジアンネットワーク手法に比べて優れた効率性を示す。

ABSTRACT

A Chain Event Graph (CEG) is a graphial model which designed to embody conditional independencies in problems whose state spaces are highly asymmetric and do not admit a natural product structure. In this paer we present a probability propagation algorithm which uses the topology of the CEG to build a transporter CEG. Intriungly,the transporter CEG is directly analogous to the triangulated Bayesian Network (BN) in the more conventional junction tree propagation algorithms used with BNs. The propagation method uses factorization formulae also analogous to (but different from) the ones using potentials on cliques and separators of the BN. It appears that the methods will be typically more efficient than the BN algorithms when applied to contexts where there is significant asymmetry present.

研究の動機と目的

• 非積構造を持つ非対称な確率過程をモデル化する際、従来のベイジアンネットワークの限界を克服すること。
• 非対称な文脈において条件付き独立性を表現することを目的としたチェーンイベントグラフ（CEGs）に適した確率伝播アルゴリズムの開発。
• CEG のトポロジー構造に適合させた、ベイジアンネットワークにおけるジョイントリー伝播に類似したが、それを再設計した計算フレームワークの確立。
• データに顕著な非対称性が存在する状況において、標準的なベイジアンネットワークアルゴリズムよりも高い計算効率を達成できることの実証。

提案手法

• 元のCEGから『トランスポートャ CEG』を構築し、効率的な確率伝播を可能にする。これはベイジアンネットワークにおける三角化されたジョイントリーに類似している。
• CEGのトポロジー構造を用いて条件付き独立関係を定義し、伝播プロセスをガイドする。
• CEGに特化した要因分解公式を適用する。これはクラスタおよび分離子ポテンシャルのベイジアンネットワークにおけるジョイントリーと類似しているが、異なるものである。
• CEGのイベントツリー構造を活用し、経路に依存する依存関係に基づいて、結合確率を局所的条件付き確率に分解する。
• トランスポートャ CEG 上でのメッセージスイッチングメカニズムを実装し、事後確率を効率的に計算する。
• アルゴリズムが標準的な確率公理を保ちつつ、CEG構造に内在する非対称性を活用するように保証する。

実験結果

リサーチクエスチョン

• RQ1 自然な積構造を持たない、顕著な非対称性を示す状態空間を持つモデルにおいて、どのように効率的な確率伝播を実現できるか。
• RQ2 チェーンイベントグラフの構造は、ベイジアンネットワークにおけるジョイントリー手法に類似した伝播アルゴリズムを定義するために、どの程度活用可能か。
• RQ3 非対称な文脈において、CEGに基づく伝播が標準的なベイジアンネットワーク推論に比べて、どのような計算的利点を有するか。
• RQ4 CEGのトポロジーに特化した要因分解規則を備えた、正確な推論を可能にする形式的定義が可能なトランスポートャ CEG を定義できるか。
• RQ5 本手法で用いられる要因分解規則は、三角化されたベイジアンネットワークにおけるクラスタベースのポテンシャルと、どのように異なるか。

主な発見

• トランスポートャ CEG を用いた提案された伝播アルゴリズムは、CEG のトポロジー構造を活用することで、チェーンイベントグラフにおける正確な推論を可能にする。
• トランスポートャ CEG は、ベイジアンネットワークにおける三角化されたジョイントリーに類似した計算的構造を提供し、効率的なメッセージ伝達を実現する。
• 本アルゴリズムで用いられる要因分解規則は、CEG の非対称性に特化しており、ベイジアンネットワークにおける標準的なクラスタベースのポテンシャルとは異なる。
• 顕著な非対称性が存在する文脈では、標準的なベイジアンネットワーク伝播アルゴリズムよりも、本手法が高い計算効率を示す。
• 本フレームワークは、従来のベイジアンネットワークが構造的制約により不適切となる確率的過程において、原理的かつ整合的な推論を可能にする。