[논문 리뷰] Most Relevant Explanation in Bayesian Networks

Changhe Yuan, Hee‐Jin Lim외 1명|arXiv (Cornell University)|2014. 01. 16.

Bayesian Modeling and Causal Inference참고 문헌 51인용 수 60

한 줄 요약

이 논문은 일반화 베이즈 요인(GBF)을 최대화하여 관측된 증거를 가장 잘 설명하는 베이지안 네트워크 내 표적 변수의 가장 관련성 있는 부분집합을 식별하는 Most Relevant Explanation(MRE) 방법을 제안한다. MRE는 조건부 베이즈 요인(CBF)을 사용하여 불필요한 변수들을 자동으로 제거하며, 이는 변수의 관련성과 설명 제거 효과를 측정한다. 그 결과, 기존의 방법들보다 우수한 정확도와 간결함을 갖춘 간결하고 정확하며 다양한 설명을 도출한다.

ABSTRACT

A major inference task in Bayesian networks is explaining why some variables are observed in their particular states using a set of target variables. Existing methods for solving this problem often generate explanations that are either too simple (underspecified) or too complex (overspecified). In this paper, we introduce a method called Most Relevant Explanation (MRE) which finds a partial instantiation of the target variables that maximizes the generalized Bayes factor (GBF) as the best explanation for the given evidence. Our study shows that GBF has several theoretical properties that enable MRE to automatically identify the most relevant target variables in forming its explanation. In particular, conditional Bayes factor (CBF), defined as the GBF of a new explanation conditioned on an existing explanation, provides a soft measure on the degree of relevance of the variables in the new explanation in explaining the evidence given the existing explanation. As a result, MRE is able to automatically prune less relevant variables from its explanation. We also show that CBF is able to capture well the explaining-away phenomenon that is often represented in Bayesian networks. Moreover, we define two dominance relations between the candidate solutions and use the relations to generalize MRE to find a set of top explanations that is both diverse and representative. Case studies on several benchmark diagnostic Bayesian networks show that MRE is often able to find explanatory hypotheses that are not only precise but also concise.

연구 동기 및 목표

• 설명이 너무 단순하거나 너무 복잡하지 않은 베이지안 네트워크에서의 설명 생성 문제를 해결하기 위해.
• 관측된 증거를 설명하기 위해 자동으로 가장 관련성이 높은 표적 변수들을 식별하는 방법을 개발하기 위해.
• 설명 제거 현상( explaining-away )을 설명 과정에 자연스럽게 통합하기 위해.
• 지배 관계를 활용하여 상위 설명들의 다양하고 대표적인 집합을 생성하기 위해.
• 기준 베이지안 네트워크에서 진단 설명의 정밀도와 간결함을 향상시키기 위해.

제안 방법

• MRE는 일반화 베이즈 요인(GBF)을 최대화하는 표적 변수의 부분적 할당을 최적의 설명으로 선정한다.
• 기존 설명이 주어진 상황에서 추가 변수의 관련성을 측정하기 위해 조건부 베이즈 요인(CBF)을 사용하며, 이는 불필요한 변수들을 자동으로 제거할 수 있게 한다.
• CBF는 부드러운 관련성 측도로서, 기존 설명을 바탕으로 새로운 변수가 증거를 설명하는 데 얼마나 기여하는지를 정량화한다.
• 후보 설명 간의 지배 관계를 활용하여 MRE를 일반화하고, 상위 수준에서 다양하고 대표적인 설명 집합을 생성한다.
• GBF와 CBF의 이론적 성질은 MRE가 베이지안 네트워크에 내재된 설명 제거 현상을 정확히 반영함을 보장한다.
• 해당 방법은 기준 진단 베이지안 네트워크에 적용되어 설명의 품질과 간결함을 평가한다.

실험 결과

연구 질문

• RQ1 관측된 증거를 설명하기 위해 베이지안 네트워크 내에서 가장 관련성이 높은 변수들을 자동으로 식별할 수 있는가?
• RQ2 설명 제거 효과를 반영하면서도 변수의 관련성을 측정할 수 있는 척도는 무엇인가?
• RQ3 단일 설명이 아닌 다양하고 대표적인 상위 설명 집합을 어떻게 생성할 수 있는가?
• RQ4 기존 방법들과 비교해 MRE는 정밀하고 간결한 설명을 생성할 수 있는가?
• RQ5 GBF와 CBF의 이론적 성질은 설명에서 불필요한 변수들을 자동으로 제거하는 데 어떻게 기여하는가?

주요 결과

• MRE는 일반화 베이즈 요인(GBF)을 최대화하여 증거를 설명하는 데 가장 관련성이 높은 변수들을 성공적으로 식별한다.
• 조건부 베이즈 요인(CBF)은 변수의 관련성을 효과적으로 측정하며, 설명에서 불필요한 변수들을 자동으로 제거할 수 있도록 한다.
• CBF는 베이지안 네트워크 내에서 설명 제거 현상을 반영하며, 한 변수의 증거가 다른 변수의 설명 필요성을 줄이는 방식으로 작용함을 반영한다.
• 지배 관계의 활용은 MRE가 다양하고 대표적인 상위 설명 집합을 생성할 수 있도록 하여 설명 커버리지를 향상시킨다.
• 기준 진단 네트워크에 대한 사례 연구 결과, MRE는 기존 방법보다 더 정밀하고 더 간결한 설명을 생성함을 확인하였다.
• GBF의 이론적 성질은 MRE 설명이 베이지안 추론 원칙에 부합하며 타당성이 높다는 것을 보장한다.