[论文解读] On the Robustness of Most Probable Explanations

Hei Chan, Adnan Darwiche|arXiv (Cornell University)|Jun 27, 2012

Bayesian Modeling and Causal Inference参考文献 13被引用 41

一句话总结

该论文提出了首个用于计算贝叶斯网络在单参数扰动下最可能解释（MPE）鲁棒性的算法。它确定了在保持MPE不变的前提下，任何网络参数可允许的最大变化量，时间复杂度为O(n exp(w))，其中n为变量数量，w为树宽。

ABSTRACT

In Bayesian networks, a Most Probable Explanation (MPE) is a complete variable instantiation with a highest probability given the current evidence. In this paper, we discuss the problem of finding robustness conditions of the MPE under single parameter changes. Specifically, we ask the question: How much change in a single network parameter can we afford to apply while keeping the MPE unchanged? We will describe a procedure, which is the first of its kind, that computes this answer for each parameter in the Bayesian network variable in time O(n exp(w)), where n is the number of network variables and w is its treewidth.

研究动机与目标

• 确定在不改变最可能解释（MPE）的前提下，单个贝叶斯网络参数可允许的最大变化量。
• 为在参数扰动下评估MPE鲁棒性提供一个正式框架。
• 开发一种可随网络树宽增长而高效扩展的计算方法。
• 在实际贝叶斯网络应用中实现MPE结果的敏感性分析。
• 提供一种系统化方法，用于评估概率推理系统中解释的稳定性。

提出的方法

• 将MPE的鲁棒性形式化为在保持MPE不变的前提下，单个网络参数可允许的最大扰动量。
• 利用贝叶斯网络的树宽来限制鲁棒性分析的计算复杂度。
• 在基于聚类图表示的网络上应用动态规划技术，以高效计算鲁棒性边界。
• 推导出在参数变化下MPE保持不变的解析条件。
• 独立处理每个网络参数，以计算其各自的鲁棒性阈值。
• 采用多项式时间转换将网络转化为联接树结构，以支持高效的推理与敏感性计算。

实验结果

研究问题

• RQ1 在贝叶斯网络中，单个参数的最大变化量是多少，才能保持MPE不变？
• RQ2 如何为网络中每个参数高效计算该鲁棒性阈值？
• RQ3 在单参数扰动下，确定MPE鲁棒性的计算复杂度是多少？
• RQ4 是否可以在不重新计算整个解释的前提下分析MPE的鲁棒性？
• RQ5 网络的树宽如何影响鲁棒性计算的可扩展性？

主要发现

• 所提出的算法以O(n exp(w))的时间复杂度计算每个参数的鲁棒性，其中n为变量数量，w为树宽。
• 该方法可精确计算出在不重新评估解释的前提下，可允许的最大参数变化量。
• 鲁棒性按参数独立确定，从而支持对MPE的细粒度敏感性分析。
• 该算法是首个为MPE单参数鲁棒性问题提供完整且高效解决方案的方法。
• 该方法可扩展至树宽适中的网络，适用于现实世界中的贝叶斯网络。
• 该方法支持在需要解释稳定性的系统中实际部署，例如诊断推理和决策支持系统。