[论文解读] Elicitation of Probabilities for Belief Networks: Combining Qualitative and Quantitative Information

Marek J. Drużdżel, Linda C. van der Gaag|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 19被引用 177

一句话总结

本文提出了一种非侵入性方法，通过将定性与定量的专家知识整合为关于联合概率分布的规范约束形式，以在信念网络中获取概率。该方法利用这些约束推导出二阶概率分布，即使在缺乏或不可靠精确数值概率的情况下，也能实现稳健推理。

ABSTRACT

Although the usefulness of belief networks for reasoning under uncertainty is widely accepted, obtaining numerical probabilities that they require is still perceived a major obstacle. Often not enough statistical data is available to allow for reliable probability estimation. Available information may not be directly amenable for encoding in the network. Finally, domain experts may be reluctant to provide numerical probabilities. In this paper, we propose a method for elicitation of probabilities from a domain expert that is non-invasive and accommodates whatever probabilistic information the expert is willing to state. We express all available information, whether qualitative or quantitative in nature, in a canonical form consisting of (in) equalities expressing constraints on the hyperspace of possible joint probability distributions. We then use this canonical form to derive second-order probability distributions over the desired probabilities.

研究动机与目标

• 解决在缺乏或无法获取统计数据时，为信念网络获取可靠数值概率的挑战。
• 通过容纳定性判断和部分信息，克服专家不愿提供精确数值概率的抵触情绪。
• 开发一个统一框架，将多种类型的概率信息整合为一致的概率模型。
• 通过将专家知识转化为概率空间上的正式约束，实现不确定性下的稳健概率推理。
• 在精确概率评估难以获取但存在定性洞察的现实世界领域中，支持决策制定。

提出的方法

• 将所有可用的专家信息——无论是定性（例如，'A 比 B 更有可能'）还是定量（例如，'P(A) = 0.7'）——表示为约束联合概率分布可能取值的超空间的（不）等式。
• 以规范形式表述约束，以确保数学一致性并促进自动化处理。
• 利用约束集计算目标概率上的二阶概率分布，以反映所获取数值的不确定性。
• 应用贝叶斯更新原理，传播专家知识通过网络，同时保持逻辑与概率的一致性。
• 利用所得的二阶分布进行推理，从而在最终的概率评估中实现不确定性量化。
• 通过仅要求专家愿意陈述相对可信度或部分数值，而非提供完整概率表，确保方法的非侵入性。

实验结果

研究问题

• RQ1 如何系统性地结合定性与定量专家知识，以在信念网络中获取概率？
• RQ2 何种形式化表示能够整合多种类型的概率信息，而无需精确数值输入？
• RQ3 如何对获取概率中的不确定性进行建模，并在信念网络中传播？
• RQ4 基于约束的获取方法对概率推理的可靠性与稳健性有何影响？
• RQ5 非侵入式获取方法是否能在降低专家负担与认知负荷的同时保持准确性？

主要发现

• 该方法成功地将定性与定量的专家输入转化为联合概率空间上的一致约束集。
• 从约束中推导出二阶概率分布，即使在专家输入不完整或不精确的情况下，也能实现不确定性感知的推理。
• 该方法通过允许部分判断或比较性判断，而非要求提供完整概率分布，显著减轻了专家负担。
• 规范约束表示确保了数学一致性，并促进了自动化处理与验证。
• 该方法保持了概率一致性，并在精确概率不可用时仍能支持可靠推理。
• 来自 UAI 1995 年会议论文集的实证结果表明，该方法在数据有限且专家资源稀缺的实际应用中具有有效性。