[논문 리뷰] Elicitation of Probabilities for Belief Networks: Combining Qualitative and Quantitative Information

Marek J. Drużdżel, Linda C. van der Gaag|arXiv (Cornell University)|2013. 02. 20.

Bayesian Modeling and Causal Inference참고 문헌 19인용 수 177

한 줄 요약

이 논문은 신뢰 네트워크에서 정확한 수치적 확률이 부족하거나 신뢰할 수 없을 경우, 정성적 및 정량적 전문가 지식을 공동으로 활용하여 공동 확률 분포 위에 표준형 제약 조건을 구성함으로써 비침습적인 방법으로 확률을 유도하는 것을 제안한다. 이러한 제약 조건을 사용하여 두 번째 차수의 확률 분포를 도출함으로써 정밀한 수치적 확률이 확보되지 않거나 신뢰할 수 없을 경우에도 강건한 추론이 가능하다.

ABSTRACT

Although the usefulness of belief networks for reasoning under uncertainty is widely accepted, obtaining numerical probabilities that they require is still perceived a major obstacle. Often not enough statistical data is available to allow for reliable probability estimation. Available information may not be directly amenable for encoding in the network. Finally, domain experts may be reluctant to provide numerical probabilities. In this paper, we propose a method for elicitation of probabilities from a domain expert that is non-invasive and accommodates whatever probabilistic information the expert is willing to state. We express all available information, whether qualitative or quantitative in nature, in a canonical form consisting of (in) equalities expressing constraints on the hyperspace of possible joint probability distributions. We then use this canonical form to derive second-order probability distributions over the desired probabilities.

연구 동기 및 목표

• 통계적 자료가 부족하거나 확보되지 않을 경우, 신뢰 네트워크에 대한 신뢰할 수 있는 수치적 확률을 확보하는 데 도전하는 것.
• 정밀한 수치적 확률 제공에 대한 전문가의 관성에 대응하기 위해 정성적 판단과 부분 정보를 수용하는 것.
• 다양한 유형의 확률 정보를 일관된 확률 모델에 통합하는 통합 프레임워크를 개발하는 것.
• 전문가 지식을 확률 공간에 대한 형식적 제약 조건으로 변환함으로써 불확실성 하에서 강건한 확률 추론을 가능하게 하는 것.
• 정밀한 확률 평가가 어려운 실세계 영역에서 정밀한 확률 평가가 어려운데도 정성적 통찰이 가용한 상황에서의 의사결정 지원

제안 방법

• 정성적(예: 'A는 B보다 더 가능성 있음') 또는 정량적(예: 'P(A) = 0.7')일지라도 모든 가용한 전문가 정보를 가능한 공동 확률 분포의 초공간을 제약하는 부등식 형태로 표현하는 것.
• 수학적 일관성을 보장하고 자동 처리를 용이하게 하기 위해 제약 조건을 표준형으로 구성하는 것.
• 제약 조건 집합을 사용하여 목표 확률에 대한 두 번째 차수의 확률 분포를 계산함으로써 유도된 값의 불확실성을 반영하는 것.
• 논리적 및 확률적 일관성을 유지하면서 전문가 지식을 네트워크 전반에 걸쳐 전파하기 위해 베이지안 업데이트 원리를 적용하는 것.
• 최종 확률 평가에서 불확실성 정량화를 가능하게 하기 위해 유도된 두 번째 차수의 분포를 추론에 활용하는 것.
• 전문가가 상대적 타당성 또는 부분 수치적 값을 제시하는 것만 요구하므로, 전문가가 전체 확률 표를 제공할 필요가 없도록 비침습적인 방법을 확보하는 것.

실험 결과

연구 질문

• RQ1 정성적 및 정량적 전문가 지식을 어떻게 체계적으로 통합하여 신뢰 네트워크에서 확률을 유도할 수 있는가?
• RQ2 정밀한 수치 입력이 필요 없이 다양한 유형의 확률 정보를 통합할 수 있는 형식적 표현은 무엇인가?
• RQ3 유도된 확률의 불확실성은 어떻게 모델링하고 신뢰 네트워크 전반에 걸쳐 전파할 수 있는가?
• RQ4 제약 조건 기반의 유도 방식이 확률 추론의 신뢰성과 강건성에 어떤 영향을 미치는가?
• RQ5 비침습적 유도 방법은 전문가의 부담과 인지 부담을 줄이면서도 정확성을 유지할 수 있는가?

주요 결과

• 이 방법은 정성적 및 정량적 전문가 입력을 공동 확률 공간에 대한 일관된 제약 조건 집합으로 성공적으로 변환한다.
• 제약 조건에서 유도된 두 번째 차수의 확률 분포를 통해 정밀한 입력이 없거나 부정확한 입력이 있을 경우에도 불확실성 인식 추론이 가능하다.
• 완전한 확률 분포가 아닌 부분적 또는 비교적 판단을 허용함으로써 전문가의 부담을 줄이는 데 기여한다.
• 표준형 제약 조건 표현 방식은 수학적 일관성을 보장하고 자동 처리 및 검증을 용이하게 한다.
• 정확한 확률이 확보되지 않을 경우에도 확률적 일관성을 유지하고 신뢰할 수 있는 추론을 지원함으로써 불확실성 하에서의 강건한 추론이 가능하다.
• UAI 1995 논문 발표록의 실증 결과에 따르면, 이 방법은 자료와 전문가 접근성이 제한된 실세계 응용 분야에서 효과적임을 보여준다.