[論文レビュー] The R Package stagedtrees for Structural Learning of Stratified Staged Trees

Federico Carli, Manuele Leonelli+2 more|arXiv (Cornell University)|Apr 14, 2020

Bayesian Modeling and Causal Inference被引用数 4

ひとこと要約

この論文では、データから階層的ステージドツリーおよびチェーンイベントグラフの構造的学習のためのスコアベースおよびクラスタリングベースのアルゴリズムを実装するRパッケージstagedtreesを紹介する。モデルの可視化、推論、比較が可能であり、タイタニック号のデータセットを用いた実証的検証により、AICおよびBIC基準に従って、勾配上昇ベースの学習が距離ベースのクラスタリングより優れたモデル適合を示した。

ABSTRACT

stagedtrees is an R package which includes several algorithms for learning the structure of staged trees and chain event graphs from data. Score-based and clustering-based algorithms are implemented, as well as various functionalities to plot the models and perform inference. The capabilities of stagedtrees are illustrated using mainly two datasets both included in the package or bundled in R.

研究の動機と目的

• データからステージドツリーおよびチェーンイベントグラフの構造を学習する包括的なRパッケージの開発。
• 研究者がステージドツリーモデルの可視化、推論、比較を可能にするツールの提供。
• スコアベース（例：勾配上昇）およびクラスタリングベース（例：階層的凝集型）の両方のアルゴリズムを用いた構造的学習の支援。
• bnlearnなどの既存のベイジアンネットワークツールとの統合を可能にし、BNをステージドツリーに変換することを支援。
• 評価および比較のためのモデル選択基準（AIC、BIC）の提供。

提案手法

• 勾配上昇（stages_hc）およびバックワード選択（stages_bj）アルゴリズムを用いたスコアベースの構造的学習を実装し、モデル適合を最適化する。
• エッジラベルの類似度に基づいて頂点を段階にグループ化する階層的凝集型クラスタリング（stages_ahc）を用いたクラスタリングベースの学習を統合する。
• bnlearnから得たベイジアンネットワークをas_sevt関数を用いてステージドツリーに変換するための関数を提供する。
• 段階ラベル、ノードサイズ、パス確率を表示できるオプションを備えたプロット関数により、モデルの可視化を支援する。
• compare_stages関数を用いて、2つのモデル間の段階構造の差異を特定するモデル比較を可能にする。
• AICおよびBIC基準を用いたモデル評価を実装し、競合する構造の中から最適な適合モデルを選択する。

実験結果

リサーチクエスチョン

• RQ1 スコアベースおよびクラスタリングベースのアルゴリズムを用いて、離散データからステージドツリーおよびチェーンイベントグラフを効果的に学習する方法は何か？
• RQ2 勾配上昇法と距離ベースのクラスタリング法の間で、ステージドツリー構造の学習において性能に差異は生じるか？
• RQ3 ベイジアンネットワークを、文脈に特化した条件付き独立性のより良いモデル化を可能にするステージドツリー表現に体系的かつ一貫して変換する方法は何か？
• RQ4 AICやBICといったモデル選択基準は、最適なステージドツリー構造を特定するのにとってどれほど有効か？
• RQ5 stagedtreesパッケージは、再ステージングと再推定を繰り返すことで、学習済みモデルの反復的改善を支援できるか？

主な発見

• stagedtreesパッケージは、ステージドツリーおよびチェーンイベントグラフの構造的学習アルゴリズムを効果的に実装しており、モデルの可視化および推論をサポートしている。
• 勾配上昇法（stages_hc）は、タイタニック号データセットにおいて、AIC（10364.49）およびBIC（10449.94）の値が最低であったことから、検証された手法の中で最も良いモデル適合を達成した。
• クラスタリングベースの手法（stages_bj）は、BICスコアが最悪（10475.82）であったため、計算効率は高いものの、モデル選択においてはより最適でないことが確認された。
• compare_stagesを用いたモデル比較により、mod1とmod3は、年齢変数に関して顕著な段階構造の差異を示したが、性別および生存状況のステージングは類似していた。
• このパッケージは、bnlearnのベイジアンネットワークをステージドツリーにシームレスに変換でき、文脈に特化した独立性のより豊かなモデル化を可能にする。
• stagedtreesパッケージはCRANで無料で利用可能であり、デモンストレーションおよび検証用に2つの組み込みデータセットを備えている。