[論文レビュー] Updating with incomplete observations

Gert de Cooman, Marco Zaffalon|Ghent University Academic Bibliography (Ghent University)|Aug 7, 2014

Bayesian Modeling and Causal Inference参考文献 12被引用数 5

ひとこと要約

本稿では、不完全（集合値の）観測下における確率的推論のための保守的更新ルールを、不確実確率論を用いて提案する。不確実性のメカニズムに関する無知を空虚な下位予測としてモデル化し、整合性を保証することで、下位事後確率と部分的に決定可能な意思決定を導き出し、モンティ・ホール問題のようなパラドックスを効果的に解消するとともに、ベイジアンネットワークにおける正確な線形時間分類を可能にする。

ABSTRACT

Currently, there is renewed interest in the problem, raised by Shafer in 1985, of updating probabilities when observations are incomplete (or set-valued). This is a fundamental problem, and of particular interest for Bayesian networks. Recently, Grunwald and Halpern have shown that commonly used updating strategies fail here, except under very special assumptions. We propose a new rule for updating probabilities with incomplete observations. Our approach is deliberately conservative: we make no or weak assumptions about the so-called incompleteness mechanism that produces incomplete observations. We model our ignorance about this mechanism by a vacuous lower prevision, a tool from the theory of imprecise probabilities, and we derive a new updating rule using coherence arguments. In general, our rule produces lower posterior probabilities, as well as partially determinate decisions. This is a logical consequence of the ignorance about the incompleteness mechanism. We show how the new rule can properly address the apparent paradox in the 'Monty Hall' puzzle. In addition, we apply it to the classification of new evidence in Bayesian networks constructed using expert knowledge. We provide an exact algorithm for this task with linear-time complexity, also for multiply connected nets.

研究の動機と目的

• 1985年にシャーファーが指摘した、観測が不完全または集合値である場合の確率更新という根本的課題に取り組むこと。
• 観測不完全性メカニズムに関する仮定が誤っている場合に標準的な更新戦略が失敗することを克服すること。
• 観測不完全性メカニズムに関する強い仮定に依存しない、保守的で整合性に基づく更新ルールを開発すること。
• 専門家が構築した構造を持つベイジアンネットワークにおいて、新しい証拠を効率的に分類する実用的で効率的な手法を提供すること。
• 観測不完全性の下で、モンティ・ホール問題のような顕著なパラドックスを解消すること。

提案手法

• 不確実確率論の基盤的ツールである空虚な下位予測を用いて、観測不完全性メカニズムに関する無知をモデル化すること。
• 整合性の議論を通じて新しい更新ルールを導出することで、不確実性下での確率的再評価において論理的整合性を保証すること。
• 不完全な情報による認識的無関係性を反映する下位事後確率を計算するためにルールを適用すること。
• 多重接続されたネットワークでさえも適用可能な線形時間計算量を持つ、ベイジアンネットワークにおける証拠分類の正確なアルゴリズムを設計すること。
• 集合値の観測を処理するために、ネットワーク構造を通じて下位確率と上位確率を伝搬すること。
• 完全な事後確率が不完全データのため決定できない場合でも、意思決定が部分的に決定可能であることを保証すること。

実験結果

リサーチクエスチョン

• RQ1 観測不完全性や集合値の観測下で、その背後にある不完全性メカニズムの知識を仮定せずに、確率を信頼性高く更新する方法は何か？
• RQ2 標準的なベイジアン更新ルールが不完全観測の下でなぜ失敗するのか、そしてどのような条件下で依然として成立するのか？
• RQ3 観測プロセスに関する真の無知を反映する、整合的で保守的な更新ルールを開発できるか？
• RQ4 このようなルールを、特に構造が複雑または多重接続されたネットワークを含むベイジアンネットワークで、どのように効率的に実装できるか？
• RQ5 提案されたルールは、観測不完全性の下で、モンティ・ホール問題のような有名なパラドックスを解消できるか？

主な発見

• 提案された更新ルールは、観測不完全性メカニズムに関する無知に起因する真の認識的不確実性を反映し、下位事後確率と部分的に決定可能な意思決定を生み出す。
• ルールは、観測プロセスにおける不完全な情報の正確な取り扱いを通じて、モンティ・ホール問題における顕著なパラドックスを効果的に解消する。
• 多重接続されたネットワークでさえも適用可能な線形時間計算量を持つ、ベイジアンネットワークにおける証拠分類の正確なアルゴリズムが開発された。
• 本手法は、観測不完全性メカニズムに関する強い仮定に依存しないため、そのメカニズムが未知である現実世界の状況においても堅牢である。
• 整合性に基づく導出により、不完全データのいかなる解釈に対しても、更新された確率が論理的に整合的であることが保証される。
• データが本質的に集合値または部分的に観測されている場合に、標準的ベイジアン更新の代替として、原理的かつ整合的な代替手法を提供する。