[논문 리뷰] An N Time-Slice Dynamic Chain Event Graph

Rodrigo A. Collazo, Jim Q. Smith|arXiv (Cornell University)|2018. 08. 17.

Bayesian Modeling and Causal Inference참고 문헌 31인용 수 4

한 줄 요약

이 논문은 시간 동질성 마르코프 과정과 맥락 기반 조건부 이상독립을 모델링하기 위해 설계된 동적 체인 이벤트 그래프(DCEG)의 새로운 하위 클래스인 N 타임슬라이스 동적 체인 이벤트 그래프(N T-DCEG)를 소개한다. 유한한 수의 객체가 무한한 트리 구조를 통해 연결되는 방식을 활용함으로써, N T-DCEG는 복잡한 다변량 동적 과정에 대해 압축되고 해석 가능한, 그리고 인과적 해석이 가능한 모델링을 가능하게 하며, 동적 베이지안 네트워크(DBNs)가 특수한 경우로 포함되는 공식적인 연결을 수립한다.

ABSTRACT

The Dynamic Chain Event Graph (DCEG) is able to depict many classes of discrete random processes exhibiting asymmetries in their developments and context-specific conditional probabilities structures. However, paradoxically, this very generality has so far frustrated its wide application. So in this paper we develop an object-oriented method to fully analyse a particularly useful and feasibly implementable new subclass of these graphical models called the N Time-Slice DCEG (NT-DCEG). After demonstrating a close relationship between an NT-DCEG and a specific class of Markov processes, we discuss how graphical modellers can exploit this connection to gain a deep understanding of their processes. We also show how to read from the topology of this graph context-specific independence statements that can then be checked by domain experts. Our methods are illustrated throughout using examples of dynamic multivariate processes describing inmate radicalisation in a prison.

연구 동기 및 목표

• 동적 체인 이벤트 그래프(DCEG) 프레임워크의 원래 형태에서 발생하는 위상적 모호성을 해결하여 동적 과정의 엄밀한 모델링을 가능하게 하기 위해.
• 시간 동질성 마르코프 과정을 전용으로 모델링하기 위해 특화된 새로운 실용적 DCEG 하위 클래스인 N 타임슬라이스 DCEG(N T-DCEG)를 개발하기 위해.
• 유한한 구성 요소들이 무한한 트리 구조를 통해 네트워크화된 방식으로 N T-DCEG를 구성하고 해석하는 방법론을 제공함으로써, 무한한 과정의 확장 가능한 모델링을 가능하게 하기 위해.
• N T-DCEG와 동적 베이지안 네트워크(DBNs) 사이에 공식적인 연결을 수립하여, DBNs가 이 새로운 모델 클래스의 특수한 경우임을 보여주기 위해.
• 분야 전문가가 그래프 위상 구조에서 직접 맥락 기반 조건부 이상독립 문장을 읽고 검증할 수 있도록 하여 모델 검증과 인과적 해석을 용이하게 하기 위해.

제안 방법

• 이전 버전에서 발생하는 위상적 모호성을 제거하기 위해 DCEG의 기초 정의를 재수정하기 위해.
• 유한한 이벤트 트리 $\mathcal{T}_{-1}$ 와 반복 구조 $\mathcal{T}$로 정의된 시간순서 그래프(TOG) 구조에 기반한 N T-DCEG 모델 클래스를 도입하여, 주기적이고 시간 동질적인 모델링을 가능하게 하기 위해.
• 색상이 부여된 간선을 사용해 조건부 확률을 표현하는 스테이지 트리 표현 $\mathcal{ST}$를 활용하고, 동형성 감소를 통해 이를 유한하고 순환적인 DCEG 그래프로 압축하기 위해.
• 하위트리 간의 그래픽적 및 확률적 동형성을 활용하여 시간 동질성과 시간 슬라이스 간의 구조적 일관성을 보장하기 위해.
• 시간 슬라이스 간의 위치를 추적하기 위해 맵핑 함수 $f_t$를 적용하여 동일한 과정 행동이 동일한 그래프 위치로 표현되도록 보장하기 위해.
• CEG 내의 '위치' 개념을 활용하여 위상적 동형성에 기반해 맥락 기반 조건부 이상독립을 식별하고 검증하기 위해.

실험 결과

연구 질문

• RQ1 기존 DCEG 프레임워크의 위상적 모호성을 어떻게 해결하여 동적 과정의 엄밀한 모델링을 가능하게 할 수 있는가?
• RQ2 시간 동질성 마르코프 과정을 지원하는 새로운 실용적 DCEG 하위 클래스인 N T-DCEG의 구조적 특성과 공식적 정의는 무엇인가?
• RQ3 어떻게 유한한 그래픽 모델이 맥락 기반 조건부 이상독립성과 시간 동질성을 유지하면서도 무한한 동적 과정을 표현할 수 있는가?
• RQ4 동적 베이지안 네트워크(DBNs) 클래스가 제안된 N T-DCEG 모델의 특수한 경우로 간주될 수 있는 방식은 무엇인가?
• RQ5 분야 전문가가 N T-DCEG의 위상 구조에서 직접 맥락 기반 조건부 이상독립 문장을 추출하고 검증할 수 있는 방법은 무엇인가?

주요 결과

• N T-DCEG 모델은 주기성과 시간 동질성을 활용하여 무한한 동적 과정에 대해 유한하고 순환적인 그래픽 표현을 제공함으로써 확장 가능한 모델링을 가능하게 한다.
• 모델은 동일한 위치에 있는 상황의 스테이지 하위트리 간에 공식적인 동형성(isomorphism)을 수립하여 시간 슬라이스 간 일관된 확률적 행동을 보장한다.
• 논문은 시간 동질성과 TOG 구조 하에서, CEG $\mathbb{C}_T$ 내에서 동일한 위치에 있는 두 상황이 $t \geq N-1$ 에서 모든 시간에 대해 동일한 과정이 펼쳐진다는 것을 증명한다.
• 동적 베이지안 네트워크(DBNs) 클래스가 공식적으로 N T-DCEG의 특수한 경우임을 입증함으로써, 이 모델의 일반성과 기존 모델과의 호환성을 입증한다.
• 맥락 기반 조건부 이상독립은 N T-DCEG의 그래프 위상 구조에서 직접 읽을 수 있으며, 이는 분야 전문가가 명시적이고 그래픽적으로 검증할 수 있도록 한다.
• 모델은 인과적 해석과 학습을 지원하며, 해석 가능성 손실 없이 DBNs를 더 해석 가능한 맥락 기반 모델로 개선할 수 있다.