[论文解读] Efficient Test Selection in Active Diagnosis via Entropy Approximation

Alice X. Zheng, Irina Rish+1 more|arXiv (Cornell University)|Jul 4, 2012

Bayesian Modeling and Causal Inference被引用 12

一句话总结

本文提出了一种高效、近似的主动诊断测试选择方法，基于贝叶斯网络，利用环状信念传播来估计边缘熵和条件熵。该方法使大规模系统（如计算机网络）中的可扩展故障诊断成为可能，具有理论依据，并在真实拓扑结构上表现出强劲的实验性能。

ABSTRACT

We consider the problem of diagnosing faults in a system represented by a Bayesian network, where diagnosis corresponds to recovering the most likely state of unobserved nodes given the outcomes of tests (observed nodes). Finding an optimal subset of tests in this setting is intractable in general. We show that it is difficult even to compute the next most-informative test using greedy test selection, as it involves several entropy terms whose exact computation is intractable. We propose an approximate approach that utilizes the loopy belief propagation infrastructure to simultaneously compute approximations of marginal and conditional entropies on multiple subsets of nodes. We apply our method to fault diagnosis in computer networks, and show the algorithm to be very effective on realistic Internet-like topologies. We also provide theoretical justification for the greedy test selection approach, along with some performance guarantees.

研究动机与目标

• 解决在贝叶斯网络模型下主动诊断中选择最优测试的挑战，其中精确计算不可行。
• 克服由于信息增益计算中熵项不可计算而导致的贪心测试选择的计算不可行性。
• 开发一种可扩展的近似方法，使大规模系统（如计算机网络）中的主动诊断能够实际部署。
• 为贪心测试选择策略提供理论依据，并在所提出的近似框架下建立性能保证。

提出的方法

• 利用环状信念传播同时近似多个未观测节点子集的边缘熵和条件熵。
• 通过信念传播消息估计熵差，近似潜在测试的信息增益。
• 将测试选择形式化为贪心优化问题，其中每个候选测试根据其近似信息增益进行评分。
• 利用贝叶斯网络的结构，无需精确推理即可高效计算熵近似值。
• 将近似框架集成到实际的主动诊断流程中，用于真实世界网络故障诊断。
• 为所提出的熵近似框架下贪心选择策略的性能提供理论边界。

实验结果

研究问题

• RQ1 能否开发一种高效的近似方法，以实现在贝叶斯网络下主动诊断中的可扩展测试选择？
• RQ2 环状信念传播在测试选择所需的信息增益计算中，对熵项的近似精度如何？
• RQ3 所提出方法在诊断大规模真实计算机网络拓扑中的故障时表现如何？
• RQ4 在熵近似下，贪心测试选择策略是否依然有效，能否建立理论保证？
• RQ5 与精确方法或替代启发式方法相比，该方法在诊断准确性和计算效率方面表现如何？

主要发现

• 所提出方法在真实互联网类网络拓扑上实现了高诊断准确性，证明了其实际有效性。
• 尽管存在固有局限性，环状信念传播仍能提供足够精确的熵近似，以支持有效的测试选择。
• 在所提出的熵近似引导下，贪心测试选择策略实现了优异的诊断性能，并带来显著的计算节省。
• 理论分析支持在近似框架下使用贪心选择策略，并提供了性能保证。
• 该方法在大规模贝叶斯网络上具有高效的可扩展性，适用于实际的主动诊断应用。
• 实验结果表明，该方法在基准网络拓扑上的收敛速度和诊断准确性方面均优于基线方法。