[论文解读] Cost-Sharing in Bayesian Knowledge Bases

Solomon Eyal Shimony, Carmel Domshlak+1 more|arXiv (Cornell University)|Feb 6, 2013

Bayesian Modeling and Causal Inference参考文献 3被引用 12

一句话总结

本文提出了一种新型的成本分摊启发式方法，用于贝叶斯知识库（BKBs），该方法将Charniak和Husain针对WAODAGs提出的方法推广至处理循环因果图。通过将成本分摊方程建模为线性方程组，该方法确保了启发式的可接受性，并在BKB中显著提升了推理性能，实证结果表明在寻找最可能解释（MPE）时实现了显著的速度提升。

ABSTRACT

Bayesian knowledge bases (BKBs) are a generalization of Bayes networks and weighted proof graphs (WAODAGs), that allow cycles in the causal graph. Reasoning in BKBs requires finding the most probable inferences consistent with the evidence. The cost-sharing heuristic for finding least-cost explanations in WAODAGs was presented and shown to be effective by Charniak and Husain. However, the cycles in BKBs would make the definition of cost-sharing cyclic as well, if applied directly to BKBs. By treating the defining equations of cost-sharing as a system of equations, one can properly define an admissible cost-sharing heuristic for BKBs. Empirical evaluation shows that cost-sharing improves performance significantly when applied to BKBs.

研究动机与目标

• 为解决在贝叶斯知识库（BKBs）中应用成本分摊启发式方法的挑战，BKBs通过允许循环因果图来推广贝叶斯网络和WAODAGs。
• 通过将成本分摊建模为方程组，解决循环结构中成本分摊固有的不一致性问题。
• 确保所得启发式方法在BKB中寻找最可能解释时保持可接受性与有效性。
• 通过实证评估，衡量所提方法相较于基线方法在BKB推理中的性能提升。

提出的方法

• 通过将定义启发式的方程视为线性方程组，重新定义成本分摊启发式，以解决循环BKB中固有的循环依赖问题。
• 求解该方程组，以计算节点的一致成本值，从而保证启发式的可接受性。
• 通过保持最小成本解释计算的语义，将原始WAODAGs中的成本分摊框架扩展至BKBs。
• 方程组的解提供了一种启发式方法，可高效引导搜索以找到最可能解释。
• 通过确保计算出的成本从不高估真实成本，维持了方法的正确性，这是可接受性的关键要求。
• 在BKB实例上进行实证评估，以测量推理时间与搜索效率方面的性能增益。

实验结果

研究问题

• RQ1 如何将成本分摊启发式方法适配于具有循环因果图的贝叶斯知识库？
• RQ2 何种数学公式能确保在存在循环的情况下，成本分摊启发式方法具有可接受性？
• RQ3 与基线方法相比，所提方法是否提升了在BKB中寻找最可能解释的效率？
• RQ4 方程组的公式化在多大程度上稳定并提升了循环结构中启发式的质量？
• RQ5 所推广的成本分摊启发式方法是否在保持正确性的同时，实现了BKB中更快的推理速度？

主要发现

• 通过方程组定义的成本分摊启发式方法具有可接受性，成功解决了循环BKB中循环依赖的问题。
• 实证评估表明，该成本分摊启发式方法显著提升了BKB中的推理性能。
• 该方法通过提供一致且抗循环的代价估计，高效引导搜索以计算最可能解释。
• 方程组的公式化确保了代价估计的一致性与有界性，从而保持了启发式的正确性。
• 与非启发式或朴素成本分摊方法相比，该方法在搜索空间缩减与收敛速度方面表现更优。
• 结果证实，该启发式方法在实际BKB推理任务中具有有效性与可扩展性。