[논문 리뷰] Additive Bayesian Network Modelling with the R Package abn

Gilles Kratzer, Fraser Lewis외 3명|arXiv (Cornell University)|2019. 11. 20.

Bayesian Modeling and Causal Inference참고 문헌 47인용 수 10

한 줄 요약

이 논문은 혼합 변수 유형(연속형, 이산형, 카운트)을 사용하여 데이터 기반의 구조 학습을 가능하게 하는 R 패키지 abn을 제시한다. 베이지안 또는 정보 이론적 점수 기반의 추가 베이지안 네트워크(ABN) 모델링을 지원하며, 정확한 및 게으른 검색 알고리즘을 포함한다. 사전 지식과 무작위 효과를 통한 군집화를 지원하며, 시스템 역학 epidemiology에 대해 이론적으로 타당하고 계산적으로 효율적인 프레임워크를 제공한다. 이는 돼지 호흡기 질환 데이터셋을 통해 실증되었다.

ABSTRACT

The R package abn is designed to fit additive Bayesian models to observational datasets. It contains routines to score Bayesian networks based on Bayesian or information theoretic formulations of generalized linear models. It is equipped with exact search and greedy search algorithms to select the best network. It supports a possible blend of continuous, discrete and count data and input of prior knowledge at a structural level. The Bayesian implementation supports random effects to control for one-layer clustering. In this paper, we give an overview of the methodology and illustrate the package's functionalities using a veterinary dataset about respiratory diseases in commercial swine production.

연구 동기 및 목표

• 혼합 변수 유형과 복잡한 데이터 구조를 지원하는 유연하고 오픈소스의 R 패키지 개발을 목적으로 한다.
• 이론적으로 타당하고 계산적으로 효율적인 네트워크 구조 선택을 위한 베이지안 및 정보 이론적 점수 기반 방법을 구현한다.
• 시스템 역학 epidemiology에서 흔히 발생하는 과제를 해결하기 위해 사전 지식과 무작위 효과를 통합한 군집화를 가능하게 한다.
• 동적 프로그래밍과 휘도 최적화를 사용하여 최적의 네트워크 구조 학습을 위한 정확한 및 게으른 검색 알고리즘을 제공한다.
• 실세계 수의학 역학 사례 연구를 통해 방법론의 유용성을 실증한다: 돼지 호흡기 질환에 대한 사례 연구.

제안 방법

• 패키지는 일반선형모형(GLMs)의 베이지안 또는 정보 이론적 점수 기반으로 네트워크 구조를 평가하며, 연속형, 이산형, 카운트 변수를 모두 수용한다.
• 효율적인 베이지안 추론을 위해 반복적 내재 라플라스 근사(INLA)를 사용하여 계산 경쟁력을 확보한다.
• 정확한 구조 검색은 동적 프로그래밍을 통해 구현되어 계산 가능한 범위 내에서 최적의 네트워크 탐색을 가능하게 한다.
• 정확한 검색이 불가능한 더 큰 네트워크에서는 확장 가능한 구조 학습을 위한 게으른 검색 알고리즘을 사용한다.
• 프레임워크는 구조 수준에서 사전 지식 입력을 지원하며, 한 층의 군집화를 모델링하기 위해 무작위 효과를 포함한다.
• 조건부 확률 분포를 일반선형모형에서 유도한 파라미터 추정을 수행하며, 효과 크기는 오즈비율을 통해 보고된다.

실험 결과

연구 질문

• RQ1 시스템 역학 epidemiology에서 혼합 유형의 관찰 데이터를 효과적으로 모델링하기 위해 추가 베이지안 네트워크를 어떻게 활용할 수 있는가?
• RQ2 다양한 데이터 조건 하에서 정확한 및 게으른 검색 알고리즘이 최적의 네트워크 구조를 식별하는 데 어떤 성능을 보이는가?
• RQ3 군집화를 위한 무작위 효과의 통합이 계층적 데이터 구조에서 모델 정확도를 어떻게 향상시키는가?
• RQ4 abn 패키지를 사용하여 네트워크 구조 학습 과정에 얼마나 깊이 사전 지식을 통합할 수 있는가?
• RQ5 abn에서의 베이지안 점수 접근법은 이론적 타당성과 계산 효율성 측면에서 다른 점수 기반 방법과 비교해 어떤가?

주요 결과

• abn R 패키지는 혼합 변수 유형을 지원하는 이론적으로 타당하고 계산적으로 효율적인 추가 베이지안 네트워크 모델링 프레임워크를 성공적으로 구현하였다.
• 동적 프로그래밍을 사용한 정확한 구조 검색은 작은 네트워크에서 최적의 해를 제공하며 효과적으로 작동한다.
• 게으른 검색 알고리즘은 더 큰 네트워크에서 확장 가능한 구조 학습을 가능하게 하여 정확한 검색의 실용적 대안을 제공한다.
• 무작위 효과의 통합은 군집 제어를 적절히 수행할 수 있게 하여, 시스템 역학 epidemiology 분야에서 다른 R 패키지들과의 주요 차별점이 된다.
• INLA로 강화된 베이지안 점수 시스템은 강력한 추론을 보장하며, 조건부 오즈비율을 통해 효과 크기 추정을 지원한다.
• 돼지 호흡기 질환에 대한 사례 연구는 복잡한 실세계 역학 데이터에서 의미 있는 관계를 밝혀내는 데서 이 방법론의 능력을 입증한다.