[논문 리뷰] Independence Concepts for Convex Sets of Probabilities

Luis M. de Campos, Serafı́n Moral|arXiv (Cornell University)|2013. 02. 20.

Bayesian Modeling and Causal Inference참고 문헌 13인용 수 63

한 줄 요약

이 논문은 볼록 확률 집합 내에서 두 가지 다른 독립성 개념—무관성과 인수분해—을 조사하며, 이들이 관련되어 있지만 동치가 아니라는 것을 보여준다. 이 독립성 개념들을 활용하여 국소적 볼록 집합에서 전역적 볼록 집합을 구성하는 프레임워크를 제안함으로써, 인공지능 분야에서 불확실성 하에서의 확률적 추론을 체계적으로 다룰 수 있는 방법을 제공한다.

ABSTRACT

In this paper we study different concepts of independence for convex sets of probabilities. There will be two basic ideas for independence. The first is irrelevance. Two variables are independent when a change on the knowledge about one variable does not affect the other. The second one is factorization. Two variables are independent when the joint convex set of probabilities can be decomposed on the product of marginal convex sets. In the case of the Theory of Probability, these two starting points give rise to the same definition. In the case of convex sets of probabilities, the resulting concepts will be strongly related, but they will not be equivalent. As application of the concept of independence, we shall consider the problem of building a global convex set from marginal convex sets of probabilities.

연구 동기 및 목표

• 볼록 확률 집합 내에서 두 가지 독립성 개념—무관성과 인수분해—을 체계화하고 비교하기.
• 주어진 국소적 볼록 집합들로부터 전역적 볼록 확률 집합을 구성하는 데 도전 과제를 해결하기.
• 모호한 확률 모델에서 무관성(믿음에 영향이 없음)과 인수분해(곱 분해) 간의 관계를 명확히 하기.
• 분포의 볼록 집합을 기반으로 한 불확실성 하에서의 확률적 추론을 위한 이론적 기반 제공하기.
• 고전적 독립성 개념을 모호한 확률 프레임워크로 확장하여, 특히 인공지능 맥락에서의 적용을 고려하기.

제안 방법

• 다른 변수에 대한 증거가 갱신될 때 한 변수에 대한 믿음이 변화하지 않는 것으로 무관성을 정의한다.
• 공동 볼록 집합을 국소 볼록 집합들의 곱으로 분해하는 것으로 인수분해를 정의한다.
• 지식적 불확실성을 표현하기 위한 수학적 기초로 확률 분포의 볼록 집합을 사용한다.
• 무관성이 인수분해를 함의하는가, 그 반대의 경우도 마찬가지로 성립하는 조건을 분석한다.
• 무관성 개념을 국소화 및 전역 모델 구성 문제에 적용한다.
• 모호한 확률 이론을 활용하여 비가환적 프레임워크 내에서 변수 간의 상호작용을 체계화한다.

실험 결과

연구 질문

• RQ1 볼록 확률 집합 내에서 무관성과 인수분해 독립성 개념은 어떻게 다릅니까?
• RQ2 무관성이 인수분해를 함의하는 조건은 무엇이며, 그 반대의 경우도 마찬가지로 성립하는 조건은 무엇입니까?
• RQ3 독립성 제약 조건을 사용하여 국소 볼록 집합들로부터 일관된 전역 볼록 확률 집합을 구성할 수 있습니까?
• RQ4 이러한 독립성 개념들은 모호한 확률의 맥락에서 고전적 확률 독립성 개념을 어떻게 일반화합니까?
• RQ5 이러한 독립성 개념들은 인공지능 시스템에서 불확실성 하에서의 의사결정에 어떤 영향을 미칩니까?

주요 결과

• 무관성과 인수분해 독립성은 볼록 확률 집합 내에서 서로 다른 개념이며, 무관성이 인수분해보다 더 약한 조건이다.
• 인수분해는 무관성을 함의하지만, 그 반대는 일반적인 볼록 확률 집합에서는 성립하지 않는다.
• 국소 볼록 집합들이 독립성 제약 조건을 통해 전역 볼록 집합으로 조합될 수 있는 조건을 규명하였다.
• 이 프레임워크는 특히 모호한 확률을 가진 그래프 모델에서 지식적 불확실성 하에서 일관된 확률적 추론을 가능하게 한다.
• 고전적 독립성 정의는 해석을 신중히 재수정하지 않으면 볼록 집합으로 직접 확장되지 않는다는 것이 입증되었다.
• 국소 집합들로부터 전역 모델을 구성하는 데의 적용은 독립성 개념들이 불확실성 모델링에서 실용적인 유용성을 지닌다는 것을 보여준다.