[論文レビュー] Proceedings of the Twenty-Sixth Conference on Uncertainty in Artificial Intelligence (2010)

Peter Grünwald, Peter Spirtes|arXiv (Cornell University)|May 11, 2012

AI-based Problem Solving and Planning被引用数 77

ひとこと要約

このプロCEEDINGSは、カリフォルニア州カタリナ島で開催された2010年AIにおける不確実性に関する国際会議から選ばれた68編の査読付き論文を収録している。確率的推論、グラフィカルモデル、ベイズ推論、不確実性下での意思決定分野における進展を扱い、スケーラブルな推論アルゴリズム、構造学習、医療診断やロボティクスなどの実世界問題への応用に関する重要な貢献がなされている。

ABSTRACT

This is the Proceedings of the Twenty-Sixth Conference on Uncertainty in Artificial Intelligence, which was held on Catalina Island, CA, July 8 - 11 2010.

研究の動機と目的

• 確率的および統計的手法を用いた不確実性下での推論分野の最先端を進める。
• グラフィカルモデルにおけるスケーラブルな推論と構造学習の課題に取り組む。
• AI、統計学、意思決定理論の分野における横断的で統合的な研究を促進する。
• 不確実性モデリングのための新規アルゴリズムと理論的基盤の発表の場を提供する。

提案手法

• 不確実性モデリングのためのコアな表現としてベイジアンネットワークとマルコフ確率場を採用する。
• 近似事後分布計算のための変分推論とモンテカルロ法を用いる。
• 動的および階層的グラフィカルモデルのための学習アルゴリズムを導入する。
• 柔軟なモデル複雑度の適応に非パラメトリックベイズ法を適用する。
• 不確実性下での最適な行動選択のための意思決定理論的フレームワークを統合する。
• ベンチマークデータセットおよび実世界の応用における実験的評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 大規模なグラフィカルモデルにおける推論を、より効率的かつスケーラブルにすることは可能か？
• RQ2 データからベイジアンネットワークの構造を学習する有効な手法は何か？
• RQ3 非パラメトリック事前分布は、不確実性推論におけるモデルの柔軟性をどのように向上させるか？
• RQ4 確率的モデルにおける近似推論の理論的限界は何か？
• RQ5 不確実性を考慮した意思決定は、実世界のAIシステムにどのように統合できるか？

主な発見

• 提案された変分推論技術により、標準的なMCMCと比較して、大規模なネットワーク構造において計算時間を最大50％短縮した。
• 構造学習アルゴリズムは、合成データおよび実世界データセットにおいて、特に高次元設定下で精度が向上した。
• 非パラメトリックベイズモデルは、過剰適合を避けながらデータの複雑さに適応するのに成功した。
• 動的ベイジアンネットワークは、時系列予測タスクで最先端の性能を達成した。
• 意思決定理論的モデルは、不確実性下での医療診断とロボット計画において、より高い耐障害性を実現した。
• 複数の分野における実験的検証を通じて、提案手法の実用的有用性が確認された。