[论文解读] Probabilistic Relational Model Benchmark Generation

Mouna Ben Ishak, Rajani Chulyadyo+1 more|arXiv (Cornell University)|Mar 2, 2016

Bayesian Modeling and Causal Inference参考文献 33被引用 3

一句话总结

本文提出了一种新颖的算法框架，用于从随机生成的模式和概率依赖关系中，合成生成概率关系模型（PRMs）及其对应的关系数据库实例。通过结合随机DAG生成与概率依赖建模，该方法支持机器学习与数据库系统研究中的可复现基准测试，为SRL研究和DBMS评估提供可扩展、具备不确定性感知能力的数据。

ABSTRACT

The validation of any database mining methodology goes through an evaluation process where benchmarks availability is essential. In this paper, we aim to randomly generate relational database benchmarks that allow to check probabilistic dependencies among the attributes. We are particularly interested in Probabilistic Relational Models (PRMs), which extend Bayesian Networks (BNs) to a relational data mining context and enable effective and robust reasoning over relational data. Even though a panoply of works have focused, separately , on the generation of random Bayesian networks and relational databases, no work has been identified for PRMs on that track. This paper provides an algorithmic approach for generating random PRMs from scratch to fill this gap. The proposed method allows to generate PRMs as well as synthetic relational data from a randomly generated relational schema and a random set of probabilistic dependencies. This can be of interest not only for machine learning researchers to evaluate their proposals in a common framework, but also for databases designers to evaluate the effectiveness of the components of a database management system.

研究动机与目标

• 为机器学习与数据库研究中概率关系模型（PRMs）缺乏公开可用的基准问题提供解决方案。
• 在受控的合成条件下，实现对SRL学习算法与DBMS组件的系统性评估。
• 生成同时体现功能性与概率依赖关系的PRMs及其关联关系数据。
• 通过提供可重复的、算法化的基准生成流程，支持可复现的实验研究。

提出的方法

• 使用PMixed算法生成均匀分布、连通的有向无环图（DAG），用于关系模式结构。
• 应用拒绝采样以确保生成的DAG连通，同时在有效DAG样本空间中保持均匀性。
• 通过参数λ=1的泊松分布随机分配每个关系的属性与基数，其中λ=1用于属性数量，λ=1用于取值状态。
• 通过改进的PMixed算法构建类内依赖结构，以建模每个类内部的条件概率分布。
• 通过限制跨不同类的变量之间创建边，生成类间依赖关系，确保关系完整性。
• 通过递归探索模式图，确定长度不超过K_max的槽链（路径），以支持复杂的概率查询。

实验结果

研究问题

• RQ1 如何从零开始生成完全随机但有效的概率关系模型，同时控制其结构与概率属性？
• RQ2 哪些算法策略可确保生成连通、可扩展且多样化的关系统模式，以适用于基准测试？
• RQ3 如何系统性地在多个类之间编码概率依赖关系，同时保持模型的表达能力与正确性？
• RQ4 所提出方法在多大程度上能生成反映现实世界数据库中功能性与概率约束的合成数据？
• RQ5 该框架能否作为SRL与DBMS评估的可重用基准工具？

主要发现

• 所提方法成功在一个统一、连贯的流程中生成了具备关系模式与概率依赖关系的PRMs。
• 在PMixed算法生成DAG后应用拒绝采样，可确保连通性，同时在有效DAG空间中保持均匀分布。
• 属性基数与取值状态通过参数λ=1的泊松分布生成，平均每个关系拥有2个属性。
• 关系模式生成的时间复杂度为O(T * N * lg N)，其中T为生成连通DAG所需PMixed调用的期望次数。
• 依赖结构生成的时间复杂度为O(N * 2 * lg 2)，反映了每类平均2个属性的特性。
• 槽链生成过程的时间复杂度为O(N^{K_max})，体现了复杂模式中路径枚举的指数级开销。