[论文解读] An Axiomatic Framework for Bayesian and Belief-function Propagation

Prakash P. Shenoy, Glenn Shafer|arXiv (Cornell University)|Mar 27, 2013

Bayesian Modeling and Causal Inference参考文献 15被引用 11

一句话总结

本文提出了一套公理化框架，通过变量、估值、组合与边缘化算子，统一了贝叶斯与信任函数传播。该框架确立了在超树上实现局部边际计算的条件，证明了这些公理能够在概率推理与基于证据的推理系统中实现精确且高效的传播。

ABSTRACT

In this paper, we describe an abstract framework and axioms under which exact local computation of marginals is possible. The primitive objects of the framework are variables and valuations. The primitive operators of the framework are combination and marginalization. These operate on valuations. We state three axioms for these operators and we derive the possibility of local computation from the axioms. Next, we describe a propagation scheme for computing marginals of a valuation when we have a factorization of the valuation on a hypertree. Finally we show how the problem of computing marginals of joint probability distributions and joint belief functions fits the general framework.

研究动机与目标

• 在单一抽象框架下统一贝叶斯与信任函数推理，以实现精确的局部计算。
• 识别组合与边缘化算子的最小公理，以确保信念传播的一致性与高效性。
• 证明联合概率分布与联合信任函数均满足该公理体系，从而支持共享的计算方法。
• 形式化一种在超树上计算边际的传播方案，实现高效计算且无冗余操作。
• 为跨不同不确定性模型扩展局部计算技术提供理论基础。

提出的方法

• 将变量与估值定义为基本对象，组合与边缘化作为核心算子。
• 引入三条公理——结合律、交换律与分配律，以规范组合与边缘化的行为。
• 证明在这些公理下，可通过超树上的传播算法实现边际的局部计算。
• 构建估值在超树结构上的因子分解，以支持分布式与模块化计算。
• 将该框架应用于贝叶斯网络（通过联合概率分布）与 Dempster-Shafer 信任函数。
• 利用该框架推导出一种通用传播算法，可在两种模型中统一适用。

实验结果

研究问题

• RQ1 哪些公理条件可确保在不确定性传播中实现边际的局部计算？
• RQ2 如何形式化定义组合与边缘化算子，以同时支持贝叶斯与信任函数推理？
• RQ3 联合概率分布与联合信任函数在何种方式下满足相同的公理化框架？
• RQ4 在公理体系下，实现高效且精确传播所需的结构要求（如超树）是什么？
• RQ5 能否通过单一计算框架统一贝叶斯与信任函数模型中的传播？

主要发现

• 对组合与边缘化算子的三条公理——结合律、交换律与分配律——足以保证边际的局部计算。
• 在超树上运行的传播算法可实现边际的精确计算，且无冗余操作，充分借助了公理化结构。
• 联合概率分布满足公理，验证了该框架在贝叶斯网络中的适用性。
• 联合信任函数同样满足公理，证实了该框架在基于证据推理中的普遍适用性。
• 该框架为贝叶斯与信任函数传播提供了统一基础，支持共享的算法设计。
• 研究结果推广了早期关于联结树的工作，并将局部计算的适用范围扩展至非概率不确定性模型。