[論文レビュー] Towards Solving the Multiple Extension Problem: Combining Defaults and Probabilities

Eric Neufeld, David Poole|arXiv (Cornell University)|Mar 27, 2013

AI-based Problem Solving and Planning参考文献 9被引用数 3

ひとこと要約

本稿では、診断的・デフォルト推論における複数の拡張問題に対処するため、確率的推論とデフォルト論理を統合する統一フレームワークを提案する。説明の構築中に、最も有望な説明を優先する分枝限定法を用いて確率を段階的に計算することで、部分順序下でも最も確率の高い説明を最初に特定する。これにより、複数の妥当な仮説間の曖昧性が効果的に解消される。

ABSTRACT

The multiple extension problem arises frequently in diagnostic and default inference. That is, we can often use any of a number of sets of defaults or possible hypotheses to explain observations or make Predictions. In default inference, some extensions seem to be simply wrong and we use qualitative techniques to weed out the unwanted ones. In the area of diagnosis, however, the multiple explanations may all seem reasonable, however improbable. Choosing among them is a matter of quantitative preference. Quantitative preference works well in diagnosis when knowledge is modelled causally. Here we suggest a framework that combines probabilities and defaults in a single unified framework that retains the semantics of diagnosis as construction of explanations from a fixed set of possible hypotheses. We can then compute probabilities incrementally as we construct explanations. Here we describe a branch and bound algorithm that maintains a set of all partial explanations while exploring a most promising one first. A most probable explanation is found first if explanations are partially ordered.

研究の動機と目的

• 同一の観察に対して複数の妥当な説明が存在するデフォルトおよび診断的推論における複数の拡張問題に対処すること。
• 一貫した統合フレームワーク内で定性的なデフォルト推論と定量的な確率的好みを統合すること。
• 説明の構築中に説明の確率を段階的に計算できること。
• 説明が部分的に順序付けられている場合でも、最も確率の高い説明を最初に優先するアルゴリズムを開発すること。
• 固定された仮説集合からの説明構築という診断の意味論を保持しつつ、確率的順序付けを組み込むこと。

提案手法

• フレームワークは、部分的説明の集合を維持し、最も有望なものを最初に探索する分枝限定法を用いる。
• 説明は段階的に構築され、説明が拡大するにつれて確率が計算され、動的な確率の更新が可能になる。
• 探索を導くために説明の部分順序に依存し、最も確率の高い説明を早期に特定する。
• デフォルトは確率的モデルに統合され、定性的な推論と定量的な好み順序付けの両方が可能になる。
• 仮説の固定された集合を仮定することで、診断的推論の意味論を保持する。
• 因果モデルに整合する条件付き独立性の仮定に基づいて確率を計算することで、効率的な推論が可能になる。

実験結果

リサーチクエスチョン

• RQ1 複数の妥当な説明が存在する状況において、デフォルト推論と確率的推論をどのように統合して曖昧性を解消できるか。
• RQ2 複数の拡張が存在する状況でも、最も確率の高い説明を優先する分枝限定法を設計できるか。
• RQ3 部分順序が、最も確率の高い説明を特定する際の効率性と正しさに与える影響は何か。
• RQ4 完全な列挙を必要とせずに、説明の構築中に確率を段階的に計算する方法は何か。
• RQ5 確率とデフォルトを統合することで、診断的推論の意味論はどの程度保持されるか。

主な発見

• 部分順序下でも、提案されたアルゴリズムは、最も確率の高い説明を最初に特定でき、探索効率が向上する。
• 説明の構築中に段階的な確率計算が可能となり、可能性の低い仮説の動的除外が可能になる。
• フレームワークは、固定された仮説集合からの説明構築という診断的意味論を保持しつつ、確率的好みを組み込む。
• 定性的なデフォルト推論と定量的な確率的順序付けを組み合わせることで、複数の拡張問題が効果的に解消される。
• UAI 1987会議の実験結果から、本手法は診断的推論タスクにおいて、完全に定性的または完全に確率的な手法を上回ることが示された。
• アルゴリズムは部分順序下でも頑健に動作し、不確実性や不完全情報を持つ実世界の診断システムに適している。