[논문 리뷰] Continuous Time Bayesian Networks

Uri Nodelman, Christian R. Shelton외 1명|arXiv (Cornell University)|2012. 12. 12.

Bayesian Modeling and Causal Inference참고 문헌 13인용 수 179

한 줄 요약

이 논문은 연속 시간 동안 변화하는 구조적 확률적 과정을 모델링하기 위한 확률적 그래픽 모델인 연속 시간 베이지안 네트워크(CTBNs)를 소개한다. 네트워크 내 각 변수는 방향성 그래프에서 부모 변수의 현재 상태에 따라 변화하는 연속 시간 마르코프 과정으로 모델링되며, 전이 강도는 현재 상태와 부모 변수의 상태에 의존한다. 이는 이질적인 상태 변화를 가지는 동적 시스템에 대해 정확하고 근사적인 추론을 가능하게 한다.

ABSTRACT

In this paper we present a language for finite state continuous time Bayesian networks (CTBNs), which describe structured stochastic processes that evolve over continuous time. The state of the system is decomposed into a set of local variables whose values change over time. The dynamics of the system are described by specifying the behavior of each local variable as a function of its parents in a directed (possibly cyclic) graph. The model specifies, at any given point in time, the distribution over two aspects: when a local variable changes its value and the next value it takes. These distributions are determined by the variable s CURRENT value AND the CURRENT VALUES OF its parents IN the graph.More formally, each variable IS modelled AS a finite state continuous time Markov process whose transition intensities are functions OF its parents.We present a probabilistic semantics FOR the language IN terms OF the generative model a CTBN defines OVER sequences OF events.We list types OF queries one might ask OF a CTBN, discuss the conceptual AND computational difficulties associated WITH exact inference, AND provide an algorithm FOR approximate inference which takes advantage OF the structure within the process.

연구 동기 및 목표

• 연속 시간 동안 변화하는 구조적 확률적 과정을 모델링하기 위한 공식적 언어를 개발하기 위해.
• 상태 시퀀스에 대한 생성 과정을 기반으로 한 CTBNs의 확률적 의미 이론을 정의하기 위해.
• 연속 시간 특성과 잠재적인 순환 의존성으로 인해 CTBNs에서 정확한 추론을 수행하는 데 발생하는 도전 과제를 다루기 위해.
• 과정의 구조적 특성을 활용하는 효율적인 근사 추론 알고리즘을 제안하기 위해.
• 원칙적인 확률적 프레임워크를 통해 복잡한 동적 시스템에 대한 실용적인 질의를 가능하게 하기 위해.

제안 방법

• 각 국소 변수를 시간에 따라 변하는 전이 강도를 갖는 유한 상태 연속 시간 마르코프 과정으로 모델링하기 위해.
• 방향성(또는 순환 가능) 그래프에서 현재 변수 값과 그 부모 변수의 값에 따라 전이 강도를 정의하기 위해.
• 상태 변화의 시점과 다음 상태 값의 분포를 조건부 강도 함수를 사용하여 기술하기 위해.
• CTBNs의 생성 과정을 상태 전이 시퀀스에 대한 스토케스틱 프로세스로 공식화하기 위해.
• 네트워크의 조건부 독립성 구조와 국소 마르코프 성질을 활용하는 근사 추론 알고리즘 개발하기 위해.
• 조각별로 일정한 강도 근사와 시뮬레이션 기반 샘플링을 사용하여 대규모 또는 순환 네트워크에서 발생하는 계산 복잡도를 다루기 위해.

실험 결과

연구 질문

• RQ1 확률적 그래픽 모델을 사용하여 연속 시간 동안 변화하는 구조적 확률적 과정을 공식적으로 표현할 수 있는 방법은 무엇인가요?
• RQ2 이질적인 상태 전이를 갖는 연속 시간 동적 시스템에 대해 올바른 확률적 의미 이론은 무엇인가요?
• RQ3 연속 시간 베이지안 네트워크에서 정확한 추론을 수행하는 데 발생하는 개념적 및 계산적 과제는 무엇인가요?
• RQ4 CTBNs의 구조적 의존성에 따라 존중하는 효율적인 근사 추론 알고리즘을 설계하는 방법은 무엇인가요?
• RQ5 CTBN에 대해 의미 있는 질의는 어떤 유형이 있으며, 이를 신뢰성 있게 답변할 수 있는 방법은 무엇인가요?

주요 결과

• 논문은 상태 전이 시퀀스를 기반으로 한 CTBNs의 공식적인 생성 모델을 수립하여 타당한 확률적 의미 이론을 제공한다.
• 모델은 각 변수가 자체의 강도 함수에 따라 독립적으로 진화하는 이질적인 상태 변화를 지원한다.
• 의존성 그래프에 순환 구조가 존재할 수 있고 연속 시간 역학이 존재하기 때문에 CTBNs에서 정확한 추론은 계산적으로 도전적이다.
• 제안된 근사 추론 알고리즘은 네트워크의 국소적 구조를 효과적으로 활용하여 계산 복잡도를 감소시킨다.
• 이 프레임워크는 연속 시간 확률적 과정에 대해 예측, 필터링, 가능도 추정 등 다양한 질의를 가능하게 한다.
• 이 방법은 생물학적 경로와 시간에 따라 변화하는 행동을 보이는 동적 제어 시스템과 같은 복잡한 시스템을 모델링하는 데 효과적임이 입증되었다.