[論文レビュー] Exploiting Functional Dependence in Bayesian Network Inference

Jifi Vomlel|arXiv (Cornell University)|Dec 12, 2012

Bayesian Modeling and Causal Inference参考文献 15被引用数 4

ひとこと要約

本稿では、関数的依存性を有するベイジアンネットワークにおける効率的な推論手法を提案する。高次元のポテンシャルをより小さな部品に分解するため、乗法的因子分解を一般化することで、関数的依存性を活用する。最小基底表現を用いて結合ポテンシャルを変換することで、junctioin treeアルゴリズムにおけるクリークサイズを低減し、推論の効率を顕著に向上させる。コンピュータ支援適応型テストへの応用において、従来手法を上回ることを実証した。

ABSTRACT

We propose an efficient method for Bayesian network inference in models with functional dependence. We generalize the multiplicative factorization method originally designed by Takikawa and D Ambrosio(1999) FOR models WITH independence OF causal influence.Using a hidden variable, we transform a probability potential INTO a product OF two - dimensional potentials.The multiplicative factorization yields more efficient inference. FOR example, IN junction tree propagation it helps TO avoid large cliques. IN ORDER TO keep potentials small, the number OF states OF the hidden variable should be minimized.We transform this problem INTO a combinatorial problem OF minimal base IN a particular space.We present an example OF a computerized adaptive test, IN which the factorization method IS significantly more efficient than previous inference methods.

研究の動機と目的

• 関数的依存性を有するモデルにおける標準的ベイジアンネットワーク推論の非効率性を解消すること。
• junction tree伝播における大きなクリークが引き起こす計算複雑性を低減すること。
• 確率ポテンシャルのサイズを最小限に抑えつつ、正確性を維持する手法を開発すること。
• コンピュータ支援適応型テストのような実世界の応用において、本手法の優位性を示すこと。

提案手法

• TakikawaとD’Ambrosioの乗法的因子分解手法を、ベイジアンネットワークにおける関数的依存性に対応するように一般化すること。
• 最小基底表現を用いて高次元ポテンシャルを二次元ポテンシャルの積に変換すること。
• 元の関数的関係を保持しつつ、最小基底を特定するための組合せ最適化を実施すること。
• junction tree推論に因子分解を適用し、大きなクリークの形成を回避すること。
• 条件付き独立構造を保持しつつ、隠れ変数の状態空間を縮小すること。
• 性能向上の評価を目的として、コンピュータ支援適応型テストモデルに本手法を実装すること。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンネットワークにおける関数的依存性は、確率ポテンシャルのサイズ低減に活用可能か？
• RQ2 最小基底を用いた乗法的因子分解は、junction treeアルゴリズムにおける推論効率をどのように向上させるか？
• RQ3 本手法は、関数的依存性を有するモデルにおいて、従来の推論技術をどの程度上回るか？
• RQ4 本手法は、コンピュータ支援適応型テストのような実世界の問題に効果的に適用可能か？

主な発見

• 提案手法は、確率ポテンシャルを二次元成分に分解することで、そのサイズを顕著に低減した。
• 最小基底表現の使用により、正確性を損なわず計算効率が確保された。
• junction tree推論は、より小さなクリークのおかげで、高速な伝播とメモリ使用量の削減を達成した。
• コンピュータ支援適応型テストへの応用において、従来の推論手法を大きく上回る性能向上が実証された。