[論文レビュー] Random Algorithms for the Loop Cutset Problem

Ann Becker, Reuven Bar-Yehuda+1 more|arXiv (Cornell University)|Aug 7, 2014

AI-based Problem Solving and Planning参考文献 31被引用数 15

ひとこと要約

本稿では、ベイジアンネットワークにおける最小ループカットセットを高確率で特定するための確率的アルゴリズム、Repeated WGuessI を提示する。ランダムサンプリングと反復的精錬を活用することで、最適または近似的に最適なループカットセットを高い確率で同定でき、実験的評価において決定的手法を著しく上回る性能を示した。

ABSTRACT

We show how to find a minimum loop cutset in a Bayesian network with high probability. Finding such a loop cutset is the first step in Pearl's method of conditioning for inference. Our random algorithm for finding a loop cutset, called "Repeated WGuessI", outputs a minimum loop cutset, after O(c 6^k k n) steps, with probability at least 1-(1 over{6^k})^{c 6^k}), where c>1 is a constant specified by the user, k is the size of a minimum weight loop cutset, and n is the number of vertices. We also show empirically that a variant of this algorithm, called WRA, often finds a loop cutset that is closer to the minimum loop cutset than the ones found by the best deterministic algorithms known.

研究の動機と目的

• ベイジアンネットワークにおいて、最小ループカットセットを高確率で特定する確率的アルゴリズムの開発。
• ランダム化と反復的サンプリングを用いて、最小ループカットセット問題の計算的非効率性を克服すること。
• 提案手法が近似的に最小のループカットセットを同定する際、既存の決定的アルゴリズムを実験的に上回ることの実証。
• 最適なループカットセットを同定するためのアルゴリズムの成功確率と実行時間計算量に関する理論的保証の提供。
• 最適なループカットセットの特定を通じて、ペールの条件付け法によるベイジアンネットワークの効率的推論の実現。

提案手法

• アルゴリズムは、WGuessI と呼ばれる確率的サンプリング戦略を用い、反復的に潜在的なループカットセットを探索する。
• 成功確率を向上させるために、ユーザーが定義する定数 c > 1 を用いた繰り返しサンプリングを実施する。
• 実行時間は O(c * 6^k * k * n) であり、k は最小重みループカットセットのサイズ、n は頂点数を表す。
• 成功確率は 1 - (1/6^k)^(c * 6^k) で下限が保証され、最適なカットセットを同定する高い信頼性が得られる。
• 実世界のベイジアンネットワークにおける性能向上を図るために、WRA と呼ばれる変種が実験的に用いられる。
• 全探索の指数的計算量を回避するため、ランダムな探索によって局所最適解に陥るのを避ける。

実験結果

リサーチクエスチョン

• RQ1 確率的アルゴリズムは、ベイジアンネットワークにおける最小ループカットセットを高確率で同定できるか？
• RQ2 実際の応用において、提案手法の性能は決定的手法と比べてどうなるか？
• RQ3 最適なループカットセットを同定するにあたり、アルゴリズムの理論的実行時間と成功確率は何か？
• RQ4 ランダム化は、最適性の保証を維持したまま、探索空間を効果的に縮小できるか？
• RQ5 ネットワークサイズやループカットセットの複雑さが増加するに従い、アルゴリズムのスケーラビリティはどの程度向上するか？

主な発見

• Repeated WGuessI アルゴリズムは、c > 1 をユーザーが定義する定数として用いるとき、最小ループカットセットを確率 1 - (1/6^k)^(c * 6^k) 以上で同定する。
• アルゴリズムは O(c * 6^k * k * n) 時間で実行され、高い成功確率で多項式時間近似を提供する。
• 実験的結果から、WRA の変種は、既知の決定的アルゴリズムよりも最小に近いループカットセットを頻繁に同定することが分かった。
• 理論的成功確率は、最小ループカットセットのサイズ k に従って指数的に増加する。
• 探索と効率性のバランスを効果的にとることで、大規模なベイジアンネットワーク推論に適している。
• 実際の性能が強く、実世界のネットワークベンチマークにおいて決定的アプローチを上回る。