[论文解读] Ideal Reformulation of Belief Networks

Jack Breese, Eric Horvitz|arXiv (Cornell University)|Mar 27, 2013

Bayesian Modeling and Causal Inference参考文献 7被引用 47

一句话总结

本文提出了一种在时间压力下优化信念网络重表述与推理之间时间分配的策略。通过使用启发式搜索方法的性能分布和推理时间来建模这一权衡，推导出能最大化解决方案价值的理想重表述时长，展示了通过合理资源分配在信念网络推理中实现显著效率提升。

ABSTRACT

The intelligent reformulation or restructuring of a belief network can greatly increase the efficiency of inference. However, time expended for reformulation is not available for performing inference. Thus, under time pressure, there is a tradeoff between the time dedicated to reformulating the network and the time applied to the implementation of a solution. We investigate this partition of resources into time applied to reformulation and time used for inference. We shall describe first general principles for computing the ideal partition of resources under uncertainty. These principles have applicability to a wide variety of problems that can be divided into interdependent phases of problem solving. After, we shall present results of our empirical study of the problem of determining the ideal amount of time to devote to searching for clusters in belief networks. In this work, we acquired and made use of probability distributions that characterize (1) the performance of alternative heuristic search methods for reformulating a network instance into a set of cliques, and (2) the time for executing inference procedures on various belief networks. Given a preference model describing the value of a solution as a function of the delay required for its computation, the system selects an ideal time to devote to reformulation.

研究动机与目标

• 解决在时间压力下用于信念网络重表述的时间与用于推理的时间之间的权衡问题。
• 为跨相互依赖的问题求解阶段的理想资源分配建立通用框架。
• 通过性能分布和推理时间分布，实证确定信念网络中簇搜索的最优时间分配。
• 整合偏好模型，量化解决方案价值作为计算延迟的函数。
• 使系统能够选择最大化期望解决方案效用的理想重表述时长。

提出的方法

• 将资源分配问题形式化为不确定性下的决策问题，采用期望效用最大化方法。
• 使用经验概率分布建模信念网络中 clique 构造启发式搜索方法的性能。
• 表征不同网络结构和配置下的推理时间分布。
• 结合搜索性能分布与推理时间分布，计算不同重表述时长下的期望解决方案价值。
• 应用将解决方案延迟映射为解决方案价值的偏好模型，推导出最优时间分配。
• 使用所得效用函数识别能最大化期望解决方案价值的理想重表述时间。

实验结果

研究问题

• RQ1 在执行推理前，应花费多少时间对信念网络进行重表述才是最优的？
• RQ2 如何建模重表述与推理时间之间的权衡，以最大化解决方案价值？
• RQ3 启发式搜索方法和推理过程的哪些性能特征使得最优资源分配成为可能？
• RQ4 随着计算延迟的增加，解决方案的价值如何退化？这种退化如何量化？
• RQ5 能否为相互依赖的问题求解阶段之间的时间分配开发一种系统化、通用的方法？

主要发现

• 最优重表述时长通过平衡改进推理带来的预期时间节省与重表述成本来确定。
• 实证结果表明，使用理想重表述时长相比固定或启发式时间分配，能显著提升解决方案效率。
• 该方法有效利用了搜索启发式方法和推理过程的性能分布，以计算最优时间分配。
• 该框架可推广至任何涉及时间-成本权衡的相互依赖阶段的问题。
• 该方法使系统能够根据网络结构和用户偏好，动态选择最佳重表述时长。
• 研究表明，即使重表述能提升推理速度，若忽略其时间成本，仍会导致次优性能。