[论文解读] Propagation of 2-Monotone Lower Probabilities on an Undirected Graph

Lonnle Chrisman|arXiv (Cornell University)|Feb 13, 2013

Bayesian Modeling and Causal Inference参考文献 43被引用 11

一句话总结

本文提出了一种针对无向图上2-单调下概率的精确图传播算法，基于条件独立性和一致性约束的分解方法。该方法能够高效计算变量的后验边际分布，其主要贡献在于为在2-单调性约束下的模糊概率模型构建了多项式时间精确推理框架。

ABSTRACT

Lower and upper probabilities, also known as Choquet capacities, are widely used as a convenient representation for sets of probability distributions. This paper presents a graphical decomposition and exact propagation algorithm for computing marginal posteriors of 2-monotone lower probabilities (equivalently, 2-alternating upper probabilities).

研究动机与目标

• 开发一种在图模型中针对2-单调下概率的精确推理算法。
• 解决在一致性和单调性约束下传播模糊概率的挑战。
• 实现在具有下概率表示的无向图模型中后验边际分布的高效计算。
• 通过Choquet容量理论将现有贝叶斯网络推理技术推广至模糊概率框架。

提出的方法

• 该方法基于无向图的马尔可夫性质，利用图分解来组织条件独立关系。
• 应用2-单调性条件以约束下概率测度，确保与上概率对应物的一致性。
• 算法通过在图上进行消息传递实现局部传播，在每个节点更新下概率和上概率的边界。
• 通过利用2-交替性质对下概率区间的迭代精炼来强制一致性约束。
• 该方法将推理问题转化为一致下预验测度集合上的线性规划形式。
• 通过保留2-单调性所有约束及条件化下的闭包性质，确保结果的精确性。

实验结果

研究问题

• RQ1 如何在无向图模型中对2-单调下概率执行精确推理？
• RQ2 何种图分解策略可在一致性和单调性约束下实现高效传播？
• RQ3 传播算法能否在处理模糊概率分布时保持精确性？
• RQ4 无向图的结构特性如何支持在2-单调性下传播下概率？
• RQ5 在2-单调下概率下，精确推理的计算复杂度是多少？

主要发现

• 所提出的算法能够在2-单调性下实现后验边际下概率和上概率的精确计算。
• 该方法在有界树宽的图中实现了多项式时间复杂度的推理。
• 该算法在无向图的所有条件独立约束下均保持一致性和一致性。
• 它成功地将标准信念传播推广至模糊概率领域，利用Choquet容量理论。
• 实验结果表明，该算法在准确性上优于近似方法，同时在稀疏图中仍保持可处理性。
• 该框架即使在先验分布以概率测度集合表示时，也能支持精确推理。