[论文解读] Generating Explanations for Evidential Reasoning

Hòng Xu, Philippe Smets|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 9被引用 6

一句话总结

本文提出了两种新颖的方法，用于在基于取值的系统中进行证据推理时生成解释：基于信任函数传播的敏感性分析与基于信息量的内容影响评估。该方法在不确定环境中实现了透明、可解释的推理，对条件独立证据具有可加性，已在证据网络示例中得到验证。

ABSTRACT

In this paper, we present two methods to provide explanations for reasoning with belief functions in the valuation-based systems. One approach, inspired by Strat's method, is based on sensitivity analysis, but its computation is simpler thus easier to implement than Strat's. The other one is to examine the impact of evidence on the conclusion based on the measure of the information content in the evidence. We show the property of additivity for the pieces of evidence that are conditional independent within the context of the valuation-based systems. We will give an example to show how these approaches are applied in an evidential network.

研究动机与目标

• 为使用信任函数的证据推理系统中可解释解释的需求提供解决方案。
• 通过分析证据变化对影响的敏感性，提升信任函数传播的透明度。
• 利用信息量度量量化单个证据对最终结论的影响。
• 建立理论性质，如对条件独立证据的可加性。
• 在真实世界的证据网络应用中演示这些方法。

提出的方法

• 改编Strat的敏感性分析方法，但简化了计算过程，便于在取值系统中实现。
• 引入一种信息量度量，以评估每项证据对最终结论的贡献程度。
• 在取值系统框架内应用两种方法，以高效管理不确定性和传播过程。
• 利用条件独立性假设，证明多个证据对结论影响的可加性。
• 采用信任函数理论来表示和基于新证据更新信念程度。
• 通过一个证据网络中的具体示例验证方法，逐步说明解释的生成过程。

实验结果

研究问题

• RQ1 如何在不损失解释能力的前提下，简化敏感性分析在信任函数推理中的应用？
• RQ2 何种信息量度量能有效量化单个证据对结论的影响？
• RQ3 在何种条件下，多个证据对结论的影响呈现可加性？
• RQ4 如何系统化地为取值系统中信任函数更新生成解释？
• RQ5 这些方法能否在真实证据网络中实际应用并得到演示？

主要发现

• 所提出的敏感性分析方法在计算上比Strat的原始方法更简单，同时保持了解释能力。
• 信息量度量为评估每项证据对最终信念状态的贡献提供了一个合理的依据。
• 对条件独立的证据，其影响的可加性成立，从而支持对组合证据的模块化解释。
• 这些方法在证据网络案例研究中成功应用，展示了实际的解释生成能力。
• 该框架支持在不确定环境中使用信任函数实现透明、可追溯的推理。
• 结果表明，解释可从结构（敏感性）和定量（信息量）两个角度系统推导得出。