[论文解读] Coherence, Belief Expansion and Bayesian Networks

Luc Bovens, Stephan Hartmann|ArXiv.org|Mar 8, 2000

Bayesian Modeling and Causal Inference参考文献 9被引用 7

一句话总结

本文提出一种基于贝叶斯网络的概率一致性度量方法，用于评估在不确定性下的信念扩展。该方法建模了独立来源的可靠性与报告之间的一致性如何共同决定后验信念强度，表明当来源可靠或信息集较大时，一致性起主导作用。

ABSTRACT

We construct a probabilistic coherence measure for information sets which determines a partial coherence ordering. This measure is applied in constructing a criterion for expanding our beliefs in the face of new information. A number of idealizations are being made which can be relaxed by an appeal to Bayesian Networks.

研究动机与目标

• 开发一种形式化的、概率性的信息集一致性度量方法，以基于其一致性对信息集进行部分排序。
• 解决认识论挑战：在已知来源可靠性与与现有信念一致性的前提下，确定何时应理性地相信新信息。
• 使用贝叶斯网络建模信念扩展作为来源可靠性与一致性的函数，以放宽先前模型中的强理想化假设。
• 展示贝叶斯网络如何实证建模一致性与信念扩展，从而放松独立性与可靠性假设。

提出的方法

• 构建命题 $R_1, \dots, R_n$ 及其报告 $REPR_1, \dots, REPR_n$ 的联合概率分布，假设不同命题的报告之间条件独立。
• 通过参数 $p = P(REPR_i|R_i)$ 和 $q = P(REPR_i|\overline{R}_i)$ 定义来源可靠性，其中 $p > q > 0$，以建模非完全可靠的来源。
• 使用贝叶斯定理推导后验信念 $P^*(R_1, \dots, R_n) = P(R_1, \dots, R_n | REPR_1, \dots, REPR_n)$，表示为似然比 $x = q/p$ 的函数。
• 基于不同真值组合下信息集的相对似然，引入一致性度量 $c_x(R_1 \& \dots \& R_n)$。
• 构建贝叶斯网络（图1和图2）以建模一致性和信念扩展，允许来源可靠性可变、报告之间存在依赖关系，并支持边缘概率传播。
• 将接受度量 $e_x(R_1, \dots, R_n)$ 定义为合取的后验概率，用于判断信念扩展相对于信念阈值是否合理。

实验结果

研究问题

• RQ1 如何在概率框架中形式化测量多条信息之间的一致性？
• RQ2 在已知来源可靠性和与现有信念一致性的前提下，何种条件下理性地扩展信念是合理的？
• RQ3 来源的可靠性如何与一致性相互作用，以决定后验信念强度？
• RQ4 贝叶斯网络在多大程度上可以放松信念扩展模型中的理想化假设（如独立性、等同可靠性）？
• RQ5 能否构建信息集的一致性排序，并用于指导理性信念扩展？

主要发现

• 一致性度量 $c_x(R_1 \& \dots \& R_n)$ 对信息集提供了部分排序，使得更一致的信息集在相同来源可靠性下产生更高的后验信念。
• 当接受度量 $e_x(R_1, \dots, R_n)$ 超过预设阈值时，信念扩展是理性的，该阈值取决于来源可靠性和一致性。
• 当来源足够可靠或信息集较大时，一致性成为信念扩展中的主导因素，而可靠性的作用变得微不足道。
• 模型表明，若 $P(R_1, \dots, R_n)$ 在或高于信念阈值，则即使扩展后的集合 $R_1, \dots, R_{n+1}$ 低于阈值，信念扩展也是合理的，原因在于后验概率的边际贡献。
• 贝叶斯网络允许放松理想化假设：来源可具有不同可靠性，报告可存在依赖关系，且可建模单个来源的多个报告。
• 该框架支持一致性与信念扩展的实证建模，后验概率通过网络结构中的证据传播进行计算。