[논문 리뷰] Tutorial for Bayesian forensic likelihood ratio

Niko Brümmer|arXiv (Cornell University)|2013. 04. 12.

Anomaly Detection Techniques and Applications인용 수 5

한 줄 요약

이 튜토리얼은 DNA 증거에 대한 형량 추론 우도 비율(LR)을 완전히 베이지안 방식으로 계산하는 방법을 제시한다. 모델의 모수 불확실성을 공액 사전(베타 분포)을 통해 통합하여 희소한 데이터가 있을 때조차도 타당하고 비정보적인 LR을 도출한다. 주요 기여는 Haldane 사전을 통해 과신을 방지하고 LR을 1과 L+1 사이로 자연스럽게 경계화하는 원칙적인 방법을 제공한다는 점이며, 데이터베이스에서 변이가 관찰되지 않을 경우 비정보적인 결과를 보장한다.

ABSTRACT

In the Bayesian paradigm for presenting forensic evidence to court, it is recommended that the weight of the evidence be summarized as a likelihood ratio (LR) between two opposing hypotheses of how the evidence could have been produced. Such LRs are necessarily based on probabilistic models, the parameters of which may be uncertain. It has been suggested by some authors that the value of the LR, being a function of the model parameters should therefore also be considered uncertain and that this uncertainty should be communicated to the court. In this tutorial, we consider a simple example of a 'fully Bayesian' solution, where model uncertainty is integrated out to produce a value for the LR which is not uncertain. We show that this solution agrees with common sense. In particular, the LR magnitude is a function of the amount of data that is available to estimate the model parameters.

연구 동기 및 목표

• 모델의 모집단 모수 불확실성을 고려한 형량 DNA 분석에서 우도 비율을 계산하기 위한 완전한 베이지안 프레임워크를 개발하는 것.
• 비정보적 사전을 사용하여 모수의 불확실성을 통합함으로써, 희소한 데이터에서 과신을 피하는 직관적이고 강건한 LR이 도출됨을 보여주는 것.
• Haldane 사전(베타(0,0)의 극한)을 비정보적 선택으로 사용하는 것을 정당화하여, 데이터에서 변이가 관찰될 경우에만 정보적인 LR을 도출한다는 것.
• 베이지안 LR이 데이터베이스 크기 L이 작거나 0일 때조차도 경계가 있고 타당하게 행동함을 보여주는 것. 이는 빈도주의 추정치가 무한대의 LR을 도출할 수 있는 것과 대비된다.

제안 방법

• 각 유전자 위치를 K개의 이진 락우스로 모델링하고, 각 락우스 상태를 모수 q_k를 가진 베르누이 분포에서 독립적으로 추출한다.
• 각 q_k에 대해 공액 베타 사전을 사용하며, 초모수(α_k, β_k)를 설정하여 닫힌 형태의 베이지안 업데이트를 가능하게 한다.
• 모델 모수 q_k를 후행 예측 분포에 대해 근사하여 통합함으로써 완전한 베이지안 LR을 도출한다.
• 비정보적 행동을 달성하기 위해 Haldane 사전(α_k, β_k → 0)을 적용하여, 데이터에서 변이가 관찰되지 않을 경우 항상 LR = 1이 되도록 보장한다.
• 일치하는 상태(r_k = s_k)에 대한 LR을 LR_k(1,1) = (L+1)/(n_k+1) 및 LR_k(0,0) = (L+1)/(L+1−n_k)로 유도하며, 여기서 n_k는 데이터베이스 내 1의 개수이다.
• α_k, β_k → 0의 극한을 취하여 최종 LR 표현식을 유도함으로써 수학적 일관성과 직관적인 행동을 확보한다.

실험 결과

연구 질문

• RQ1 형량 DNA 추론 우도 비율에서 모델 모수의 불확실성을 베이지안 프레임워크 내에서 어떻게 적절히 고려할 수 있는가?
• RQ2 데이터베이스가 비어 있거나 한 가지 유전자형만 포함할 경우 우도 비율의 행동은 어떻게 되는가?
• RQ3 특히 Haldane 사전을 포함한 비정보적 사전의 선택이 결과 우도 비율에 어떤 영향을 미치는가?
• RQ4 왜 베이지안 LR은 1과 L+1 사이로 경계되며, 이는 빈도주의 추정치와 어떻게 비교되는가?
• RQ5 베이지안 프레임워크에서 어떤 조건에서 우도 비율이 비정보적(LR = 1)이 되는가?

주요 결과

• 베이지안 LR은 1과 L+1 사이로 경계되며, 최대값은 일치하는 락우스 상태가 전체 데이터베이스에 존재하지 않을 경우 도달된다.
• 데이터베이스가 비어 있을 경우(L = 0), LR은 정확히 1이 되며, 이는 일치하는 상태에 관계없이 비정보적 증거를 반영한다.
• 데이터베이스에서 변이가 없을 경우(n_k = 0 또는 n_k = L), LR은 여전히 1을 유지하여 차별력이 없음을 나타낸다.
• 데이터가 풍부할 경우(n_k ≫ 1, L−n_k ≫ 1) 베이지안 LR은 빈도주의 추정치 LR ≈ L/n_k와 일치하지만, n_k = 0일 경우 무한대 값이 되는 것을 방지한다.
• Haldane 사전은 데이터에서 피의자, 용의자 및 데이터베이스 프로파일에서 상태 변화가 관찰되지 않을 경우에만 LR이 비정보적(LR = 1)이 되도록 보장한다.
• 이 방법은 일관되고 직관적인 결과를 도출한다: 데이터가 많을수록 LR에 대한 신뢰도가 높아지고, 최소 또는 영 데이터가 있어도 강건하다.