[論文レビュー] Tutorial for Bayesian forensic likelihood ratio

Niko Brümmer|arXiv (Cornell University)|Apr 12, 2013

Anomaly Detection Techniques and Applications被引用数 5

ひとこと要約

このチュートリアルでは、共役事前分布（ベータ分布）を用いてモデルのパrameterの不確実性を統合することで、DNA証拠の完全なベイズ的尤度比（LR）の計算手法を提示する。この手法により、データが少ない場合でも意味のある結果となる、頑健で非情報的（non-informative）なLRが得られる。主な貢献は、Haldane事前分布を用いることで、尤度比が1とL+1の間で自然に有界となり、過信を避ける原理的で整合的な手法を提供することである。特に、データベースに変異が観察されない場合には非情報的結果が得られることを保証する。

ABSTRACT

In the Bayesian paradigm for presenting forensic evidence to court, it is recommended that the weight of the evidence be summarized as a likelihood ratio (LR) between two opposing hypotheses of how the evidence could have been produced. Such LRs are necessarily based on probabilistic models, the parameters of which may be uncertain. It has been suggested by some authors that the value of the LR, being a function of the model parameters should therefore also be considered uncertain and that this uncertainty should be communicated to the court. In this tutorial, we consider a simple example of a 'fully Bayesian' solution, where model uncertainty is integrated out to produce a value for the LR which is not uncertain. We show that this solution agrees with common sense. In particular, the LR magnitude is a function of the amount of data that is available to estimate the model parameters.

研究の動機と目的

• 人口モデルのパrameterにおける不確実性を考慮した、法医学的DNA解析における尤度比を計算する完全なベイズフレームワークの構築を目的とする。
• 非情報的事前分布を用いて不確実なパrameterを統合することで、データが少ない場合でも直感的で頑健な尤度比が得られ、過信を回避できることを示す。
• Haldane事前分布（β(0,0)の極限）を非情報的選択として正当化し、データに変異が観察された場合にのみ情報的尤度比が得られることを示す。
• ベイズ的尤度比が、データベースサイズLが小さくてもゼロでも、常に1とL+1の間で有界であり、意味的に整合的であることを示す。これは、頻度主義的推定ではn_k=0のときに無限大の尤度比が得られるのとは対照的である。

提案手法

• DNAプロファイルをK個のバイナリローカスとしてモデル化し、各ローカスの状態をパラメータq_kのベルヌーイ分布に独立に抽出する。
• 各q_kに対して共役ベータ事前分布（超パrameter (α_k, β_k) を用い、閉形式でのベイズ更新が可能となる。
• 事後予測分布にわたってパラメータq_kを周辺化することで、完全なベイズ的尤度比が得られる。
• 非情報的挙動を達成するためにHaldane事前分布（α_k, β_k → 0）を適用し、データに変異が観察されない場合にはLR = 1となるように保証する。
• 一致する状態（r_k = s_k）の尤度比を、LR_k(1,1) = (L+1)/(n_k+1) および LR_k(0,0) = (L+1)/(L+1−n_k) として導出する。ここでn_kはデータベースにおける1の数である。
• α_k, β_k → 0 の極限を用いて最終的な尤度比式を導出することで、数学的整合性と直感的な挙動を保証する。

実験結果

リサーチクエスチョン

• RQ1 法医学的DNA尤度比におけるモデルパラメータの不確実性は、ベイズフレームワーク内でどのように適切に取り扱えるか？
• RQ2 データベースが空または1つのアレルタイプしか含まない場合、尤度比の挙動はどのように変化するか？
• RQ3 特にHaldane事前分布を含む非情報的事前分布の選択が、得られる尤度比にどのように影響を与えるか？
• RQ4 なぜベイズ的尤度比は1とL+1の間で有界となり、頻度主義的推定とはどのように異なるのか？
• RQ5 ベイズフレームワークにおいて、尤度比が非情報的（すなわちLR = 1）となる条件は何か？

主な発見

• ベイズ的尤度比は1とL+1の間で有界であり、一致するローカス状態が完全にデータベースに存在しない場合に最大値に達する。
• データベースが空（L = 0）の場合、尤度比は正確に1となり、これは非情報的証拠を反映する。これは一致する状態にかかわらず成り立つ。
• データベースに変異が存在しない場合（n_k = 0 または n_k = L）、尤度比は1のまま維持され、判別力がないことを示す。
• データが十分に多い場合（n_k ≫ 1 かつ L−n_k ≫ 1）にはベイズ的尤度比は頻度主義的推定LR ≈ L/n_kと一致するが、n_k = 0 の場合には無限大にならずに済む。
• Haldane事前分布により、被験者、容疑者、データベースのプロファイルにおいて、状態の変化が観察されない限り、尤度比は非情報的（LR = 1）となる。
• 本手法は一貫性があり直感的な結果を生み出す：データが多ければ多いほど尤度比の信頼性が高まり、最小限またはゼロのデータでも頑健である。