[논문 리뷰] Updating with incomplete observations

Gert de Cooman, Marco Zaffalon|Ghent University Academic Bibliography (Ghent University)|2014. 08. 07.

Bayesian Modeling and Causal Inference참고 문헌 12인용 수 5

한 줄 요약

이 논문은 불완전한(집합값의) 관측에서 불확실한 확률 이론을 사용하여 확률적 추론을 위한 보수적인 갱신 규칙을 제안한다. 무지에 대한 관측 불완전성 메커니즘에 대한 허수 하한 예측을 모델링하고 일관성을 강제함으로써, 하한 사후 확률과 부분적으로 결정된 의사결정을 도출하는 방법은 몬티홀 역설과 같은 역설을 성공적으로 해결하고 베이지안 네트워크에서 정확한 선형 시간 분류를 가능하게 한다.

ABSTRACT

Currently, there is renewed interest in the problem, raised by Shafer in 1985, of updating probabilities when observations are incomplete (or set-valued). This is a fundamental problem, and of particular interest for Bayesian networks. Recently, Grunwald and Halpern have shown that commonly used updating strategies fail here, except under very special assumptions. We propose a new rule for updating probabilities with incomplete observations. Our approach is deliberately conservative: we make no or weak assumptions about the so-called incompleteness mechanism that produces incomplete observations. We model our ignorance about this mechanism by a vacuous lower prevision, a tool from the theory of imprecise probabilities, and we derive a new updating rule using coherence arguments. In general, our rule produces lower posterior probabilities, as well as partially determinate decisions. This is a logical consequence of the ignorance about the incompleteness mechanism. We show how the new rule can properly address the apparent paradox in the 'Monty Hall' puzzle. In addition, we apply it to the classification of new evidence in Bayesian networks constructed using expert knowledge. We provide an exact algorithm for this task with linear-time complexity, also for multiply connected nets.

연구 동기 및 목표

• 1985년 샤퍼가 지적한 바와 같이, 관측이 불완전하거나 집합값일 때 확률을 갱신하는 데 있어 근본적인 과제를 해결하기 위해.
• 관측 불완전성 메커니즘에 대한 가정이 잘못되었을 때도 표준 갱신 전략이 실패하는 문제를 해결하기 위해.
• 관측 불완전성 메커니즘에 대한 강력한 가정에 의존하지 않는 보수적이고 일관성 기반 갱신 규칙을 개발하기 위해.
• 전문가가 구성한 구조를 가진 베이지안 네트워크에서 새로운 증거를 분류하기 위한 실용적이고 효율적인 방법을 제공하기 위해.
• 관측이 불완전한 조건에서 몬티홀 문제와 같은 유명한 역설을 해결하기 위해.

제안 방법

• 불확실한 확률 이론의 기본 도구인 허수 하한 예측을 사용하여 관측 불완전성 메커니즘에 대한 무지를 모델링하기 위해.
• 일관성 논증을 통해 새로운 갱신 규칙을 유도하여, 불확실성 하에 확률적 수정이 논리적으로 일관되도록 보장하기 위해.
• 불완전한 정보로 인한 지식적 무관성에 따라 반영되는 하한 사후 확률을 계산하기 위해 규칙를 적용하기 위해.
• 다중 연결된 네트워크를 포함한 모든 종류의 베이지안 네트워크에 적용 가능한 선형 시간 복잡도를 가진 정확한 알고리즘을 설계하기 위해.
• 집합값의 관측을 처리하기 위해 네트워크 구조를 통해 하한 및 상한 확률을 전파하기 위해.
• 불완전한 데이터로 인해 전체 사후 확률을 결정할 수 없을 때 의사결정이 부분적으로 결정된 상태로 유지되도록 보장하기 위해.

실험 결과

연구 질문

• RQ1 관측 불완전성 메커니즘의 지식이 없이도, 관측이 불완전하거나 집합값일 경우 확률을 신뢰성 있게 갱신할 수 있는 방법은 무엇인가?
• RQ2 표준 베이지안 갱신 규칙이 관측이 불완전할 경우 실패하는 이유는 무엇이며, 어떤 조건에서 여전히 유효한가?
• RQ3 관측 과정에 대한 진정한 무지를 반영하는 일관성 있고 보수적인 갱신 규칙을 개발할 수 있는가?
• RQ4 특히 복잡하거나 다중 연결된 구조를 가진 네트워크에서 이러한 규칙을 효율적으로 구현할 수 있는가?
• RQ5 제안된 규칙이 관측이 불완전한 조건에서 몬티홀 문제와 같은 유명한 역설을 해결할 수 있는가?

주요 결과

• 제안된 갱신 규칙은 관측 불완전성 메커니즘에 대한 무지로 인한 진정한 지식적 불확실성을 반영하여 하한 사후 확률과 부분적으로 결정된 의사결정을 도출한다.
• 이 규칙은 관측 과정에서의 불완전한 정보를 정확히 반영함으로써 몬티홀 문제에서 나타나는 명백한 역설을 성공적으로 해결한다.
• 다중 연결된 네트워크를 포함한 모든 종류의 베이지안 네트워크에 적용 가능한 선형 시간 복잡도를 가진 정확한 증거 분류 알고리즘이 개발되었다.
• 이 방법은 관측 불완전성 메커니즘에 대한 강력한 가정에 의존하지 않아 실제 상황에서 이러한 메커니즘이 알려져 있지 않은 경우에도 강건하다.
• 일관성 기반 유도 과정을 통해 갱신된 확률이 불완전한 데이터의 모든 가능한 해석 하에서도 논리적으로 일관되게 유지됨을 보장한다.
• 데이터가 본질적으로 집합값이거나 부분적으로 관측된 경우 표준 베이지안 갱신의 원칙적인 대안을 제공한다.