[論文レビュー] Pre-processing for Triangulation of Probabilistic Networks

Hans L. Bodlaender, Arie M. C. A. Koster+2 more|arXiv (Cornell University)|Jan 10, 2013

Bayesian Modeling and Causal Inference参考文献 14被引用数 35

ひとこと要約

本稿では、確率的ネットワークにおける三角形分割を最適化する前処理手法を提案する。この手法により、グラフサイズを削減しながらも、最適な三角形分割の品質を維持できる。同様の等価性を保つ一連の短縮ルールを適用することで、より小さなグラフ上で効率的な三角形分割が可能となり、実験結果では顕著なサイズ削減が得られ、一部の実世界のネットワークではさらなる計算を要せずに最適解が得られた。

ABSTRACT

The currently most efficient algorithm for inference with a probabilistic network builds upon a triangulation of a network's graph. In this paper, we show that pre-processing can help in finding good triangulations forprobabilistic networks, that is, triangulations with a minimal maximum clique size. We provide a set of rules for stepwise reducing a graph, without losing optimality. This reduction allows us to solve the triangulation problem on a smaller graph. From the smaller graph's triangulation, a triangulation of the original graph is obtained by reversing the reduction steps. Our experimental results show that the graphs of some well-known real-life probabilistic networks can be triangulated optimally just by preprocessing; for other networks, huge reductions in their graph's size are obtained.

研究の動機と目的

• ベイジアンネットワーク推論の重要なステップである三角形分割の効率を向上させること。
• 入力グラフを処理前に単純化することで、最適な三角形分割を求める計算複雑度を低減すること。
• グラフ短縮中に最適性を保持することにより、最終的な三角形分割が最大クリークサイズにおいて最小となるようにすること。
• 安全な短縮ルールによるグラフの縮小を通じて、大規模な実世界ネットワークにおける実用的計算を可能にすること。
• 前処理のみで、特定の有名なネットワークにおいて最適な三角形分割を達成できることを示すこと。

提案手法

• 最適な三角形分割の最大クリークサイズに影響を及ぼさない一連の短縮ルールを適用してグラフを単純化すること。
• 単体的頂点やクリークといったグラフの構造的性質を利用して、短縮可能な構成要素を同定すること。
• 元の問題と等価性を保ちつつ、段階的なグラフ短縮を実行すること。
• 短縮された小さなインスタンスを解いた後、短縮ステップを逆転させることで元のグラフの三角形分割を再構築すること。
• 各短縮ルールが安全であることを保証すること、すなわち、短縮グラフ上の最適解が直接的に元のグラフ上の最適解を導くこと。
• 既知のグラフ理論的性質を活用して短縮を導き、プロセス全体を通して正しさを維持すること。

実験結果

リサーチクエスチョン

• RQ1 前処理により、確率的ネットワークグラフのサイズを小さくしつつも、三角形分割の最適性を維持できるか？
• RQ2 三角形分割の品質に影響を及ぼさずに適用可能な短縮ルールの集合は何か？
• RQ3 前処理のみで、完全な三角形分割アルゴリズムを必要とせずに最適な三角形分割を達成できる範囲はどの程度か？
• RQ4 実世界で一般的に使用される確率的ネットワークにおいて、短縮ルールの有効性はどの程度か？
• RQ5 前処理が最終的な三角形分割における最大クリークサイズに与える影響は何か？

主な発見

• 一部の有名な実世界の確率的ネットワークでは、前処理のみで最適な三角形分割が達成された。
• 提案された短縮ルールは一貫して入力グラフのサイズを縮小し、その後続の三角形分割における計算負荷を顕著に低減した。
• 最適性が保持されており、短縮グラフの三角形分割を元のグラフの最適な三角形分割に直接導くことができた。
• 完全な三角形分割が必要となった場合でも、短縮されたグラフは著しく小さくなり、計算が高速化された。
• 本手法は実験的に強く優れた性能を示し、複数のベンチマークネットワークにおいて顕著なグラフサイズ削減が得られた。
• 結果から、前処理は確率的ネットワークにおけるスケーラブルな推論の第一歩として極めて有効であることが示唆された。