[논문 리뷰] Integrating Probabilistic, Taxonomic and Causal Knowledge in Abductive Diagnosis

Dekang Lin, Randy Goebel|arXiv (Cornell University)|2013. 03. 27.

Biomedical Text Mining and Ontologies인용 수 5

한 줄 요약

이 논문은 확률론적, 인과적, 분류 지식을 통합하여 고립된 가설이 아닌 인과 사건의 연쇄적 체인으로 설명을 생성하는 새로운 추론 진단 프레임워크를 제안한다. 시나리오의 확률은 인과 사건의 조건부 확률에서 계산되며 지식 기반 크기에서는 다항식 복잡도를 보이고 관측 수에 대해서만 지수적 확장이 발생하여 전통적인 추론 방법에 비해 확장 가능한 대안을 제공한다.

ABSTRACT

We propose an abductive diagnosis theory that integrates probabilistic, causal and taxonomic knowledge. Probabilistic knowledge allows us to select the most likely explanation; causal knowledge allows us to make reasonable independence assumptions; taxonomic knowledge allows causation to be modeled at different levels of detail, and allows observations be described in different levels of precision. Unlike most other approaches where a causal explanation is a hypothesis that one or more causative events occurred, we define an explanation of a set of observations to be an occurrence of a chain of causation events. These causation events constitute a scenario where all the observations are true. We show that the probabilities of the scenarios can be computed from the conditional probabilities of the causation events. Abductive reasoning is inherently complex even if only modest expressive power is allowed. However, our abduction algorithm is exponential only in the number of observations to be explained, and is polynomial in the size of the knowledge base. This contrasts with many other abduction procedures that are exponential in the size of the knowledge base.

연구 동기 및 목표

• 확률론적, 인과적, 분류 지식을 통합하여 향상된 진단 추론을 위한 통합된 추론 진단 프레임워크를 개발하는 것.
• 인과 사건을 고립된 사건이 아닌 공통의 시나리오를 형성하는 인과 사건의 연쇄로 모델링하는 것.
• 분류 계층을 활용하여 다양한 수준의 세부 정보와 정밀도로 설명을 제공하는 것.
• 알고리즘의 복잡도를 줄이기 위해 지식 기반 크기에서가 아니라 관측 수에 대해서만 지수적 복잡도가 발생하도록 보장하는 것.
• 인과 사건의 조건부 확률에서 진단 시나리오의 확률을 계산하는 원칙적인 방법을 제공하는 것.

제안 방법

• 관측된 현상들을 모두 설명하는 인과 사건의 연쇄 발생으로 진단을 표현하는 것.
• 인과 지식을 활용하여 인과 사건 간의 조건부 독립성 가정을 정당화하는 것.
• 분류 지식을 적용하여 인과 모델링을 다수의 추상화 수준에서 가능하게 하고 관측 기술의 다양성 있는 해상도를 허용하는 것.
• 진단 시나리오의 확률을 구성 요소 인과 사건들의 조건부 확률의 곱으로 계산하는 것.
• 관측 수에 대해서만 지수적 복잡도를 보이는 추론 알고리즘을 활용하여 지식 기반 크기가 크더라도 효율적인 처리를 가능하게 하는 것.
• 인과 및 분류 계층의 구조적 제약 조건을 활용하여 탐색 공간을 단순화하고 확장성 향상을 도모하는 것.

실험 결과

연구 질문

• RQ1 확률론적, 인과적, 분류 지식를 단일 추론 진단 프레임워크에 체계적으로 통합할 수 있는 방법은 무엇인가?
• RQ2 인과 체인을 반영하는 바람직한 진단 설명 표현 방식은 무엇인가? (고립된 원인 대신)
• RQ3 통합 프레임워크 내에서 관측 및 인과 모델의 다양한 수준의 세부 정보와 정밀도를 어떻게 지원할 수 있는가?
• RQ4 지식 기반 크기에서의 지수적 증가를 분리함으로써 추론 추론의 계산 복잡도를 줄일 수 있는가?
• RQ5 인과 사건의 조건부 확률에서 진단 시나리오의 확률을 계산하는 올바른 방법은 무엇인가?

주요 결과

• 제안된 프레임워크는 설명을 인과 사건의 연쇄로 모델링하여 보다 일관되고 맥락에 부합하는 진단을 가능하게 한다.
• 진단 시나리오의 확률은 그 구성 요소 인과 사건들의 조건부 확률의 곱으로 계산될 수 있어 확률적 일관성을 보장한다.
• 추론 알고리즘이 지식 기반 크기에서 다항식 복잡도를 보이며 대규모 응용에 효과적으로 적용될 수 있다.
• 알고리즘의 지수적 복잡도는 지식 기반 크기에서가 아니라 관측 수에 대해서만 발생하므로 확장성 면에서 크게 향상된다.
• 분류 지식의 통합은 다양한 추상화 수준에서의 인과 모델링과 관측 기술의 탄력성을 향상시킨다.
• 지식 기반 크기에서의 지수적 팽창을 피하기 때문에 전통적인 추론 방법에 비해 계산 효율성이 뛰어나다.