[논문 리뷰] Object-Oriented Bayesian Networks

Daphne Koller, Avi Pfeffer|arXiv (Cornell University)|2013. 02. 06.

Bayesian Modeling and Causal Inference참고 문헌 14인용 수 495

한 줄 요약

이 논문은 객체지향 원리를 활용한 객체지향 베이지안 네트워크(Object-Oriented Bayesian Networks, OOBNs)를 소개한다. 이는 클래스, 객체, 상속, 캡슐화와 같은 객체지향 원리를 활용해 복잡한 확률적 도메인을 더 모듈러하고 확장 가능하게 모델링할 수 있도록 베이지안 네트워크를 확장하는 형식이다. OOBNs를 확률적 기능 프로그램으로 해석하는 기제적 의미론과, 구조 재사용과 캡슐화를 활용해 효율성을 높인 추론 알고리즘을 제시하며, 계층적 모델에서 계산 시간을 크게 줄였다.

ABSTRACT

Bayesian networks provide a modeling language and associated inference algorithm for stochastic domains. They have been successfully applied in a variety of medium-scale applications. However, when faced with a large complex domain, the task of modeling using Bayesian networks begins to resemble the task of programming using logical circuits. In this paper, we describe an object-oriented Bayesian network (OOBN) language, which allows complex domains to be described in terms of inter-related objects. We use a Bayesian network fragment to describe the probabilistic relations between the attributes of an object. These attributes can themselves be objects, providing a natural framework for encoding part-of hierarchies. Classes are used to provide a reusable probabilistic model which can be applied to multiple similar objects. Classes also support inheritance of model fragments from a class to a subclass, allowing the common aspects of related classes to be defined only once. Our language has clear declarative semantics: an OOBN can be interpreted as a stochastic functional program, so that it uniquely specifies a probabilistic model. We provide an inference algorithm for OOBNs, and show that much of the structural information encoded by an OOBN--particularly the encapsulation of variables within an object and the reuse of model fragments in different contexts--can also be used to speed up the inference process.

연구 동기 및 목표

• 기존의 베이지안 네트워크를 사용할 때 발생하는 대규모 복잡한 확률적 도메인 모델링의 확장성 및 유지보수 문제를 해결하기 위해.
• 클래스, 객체, 상속과 같은 객체지향 원리를 통합하여 모듈러하고 재사용 가능한 확률적 모델링 프레임워크를 제공하기 위해.
• OOBNs에 명확한 기제적 의미론을 정의하여 유일하게 확률적 모델을 특정하는 데 목적이 있다.
• 특히 캡슐화와 코드 재사용과 같은 구조적 정보를 활용해 계산 효율성을 향상시킬 수 있는 추론 알고리즘을 개발하기 위해.
• 객체 조합을 통해 자연스럽게 부분-전체 계층 구조와 도메인 전용 재사용 가능한 모델 조각을 표현할 수 있도록 하기 위해.

제안 방법

• 객체의 속성 간의 확률적 관계를 베이지안 네트워크 조각을 사용해 모델링함으로써, 변수를 객체 내부에 캡슐화할 수 있도록 한다.
• 재사용 가능한 확률적 모델 템플릿을 정의하기 위해 클래스를 사용하며, 이를 여러 객체에 인스턴스화할 수 있도록 한다.
• 부모 클래스에서 파생된 서브클래스로 모델 조각을 상속함으로써 중복을 줄이고 일관성을 유지한다.
• OOBNs를 확률적 기능 프로그램으로 해석함으로써, 모델의 해석에 대한 형식적이고 모호하지 않은 의미론을 제공한다.
• 객체 경계와 상속 계층을 활용해 계산을 최적화하는 추론 알고리즘을 적용하며, 중간 결과를 재사용하고 중복 계산을 방지한다.
• 캡슐화와 모델 재사용과 같은 구조적 정보를 활용해, 기존의 베이지안 네트워크 기법을 초월해 추론 속도를 향상시킨다.

실험 결과

연구 질문

• RQ1 어떻게 객체지향 원리를 베이지안 네트워크에 통합하여 복잡한 도메인 모델링의 모듈성과 확장성을 향상시킬 수 있는가?
• RQ2 객체지향 확률적 모델에 대해 형식적이고 기제적인 의미론을 정의할 수 있는가? 이는 기반 확률적 모델의 모호하지 않은 해석을 보장할 수 있는가?
• RQ3 캡슐화와 상속과 같은 구조적 정보를 얼마나 효과적으로 활용하여 확률적 추론의 효율성을 향상시킬 수 있는가?
• RQ4 제안된 OOBN 프레임워크는 부분-전체 계층과 재사용 가능한 모델 구성 요소를 어떻게 자연스럽게 지원하는가?
• RQ5 단일 베이지안 네트워크에 비해, 추론 과정에서 객체 경계와 상속을 활용함으로써 얻을 수 있는 성능 향상은 어느 정도인가?

주요 결과

• OOBNs는 모델을 확률적 기능 프로그램으로 해석함으로써 명확하고 기제적인 의미론을 제공하여, 모델 사양의 모호함이 없음을 보장한다.
• 캡슐화와 모델 재사용과 같은 구조적 정보를 활용함으로써 OOBNs의 추론이 크게 가속화되며, 중복 계산이 줄어든다.
• 상속을 통해 공통적인 확률적 구조를 한 번만 정의하고 여러 클래스에서 재사용할 수 있어, 모델의 유지보수성과 일관성이 향상된다.
• 속성이 객체일 수 있도록 허용함으로써, 복잡한 시스템의 계층적 모델링이 자연스럽게 가능해진다.
• 유사한 객체들 간의 계산을 재사용하고 클래스 기반 모델 조각을 활용함으로써, 추론 알고리즘이 대규모 모델에서 성능 향상을 달성한다.
• 모듈러하고 계층적이며 확장 가능한 확률적 관계의 사양 방식을 통해, 복잡한 도메인에서의 모델링 부담을 줄일 수 있다.