[论文解读] Relational Bayesian Networks

Manfred Jaeger|arXiv (Cornell University)|Feb 6, 2013

Bayesian Modeling and Causal Inference被引用 93

一句话总结

本文提出了关系贝叶斯网络（RBNs），一种直接利用贝叶斯网络对随机事件之间的关系上的概率分布进行建模的形式化方法。通过利用表达能力强的条件概率分布，RBNs 支持等式约束和复杂的嵌套组合函数，显著提升了对先前概率关系模型的表达能力。

ABSTRACT

A new method is developed to represent probabilistic relations on multiple random events. Where previously knowledge bases containing probabilistic rules were used for this purpose, here a probability distribution over the relations is directly represented by a Bayesian network. By using a powerful way of specifying conditional probability distributions in these networks, the resulting formalism is more expressive than the previous ones. Particularly, it provides for constraints on equalities of events, and it allows to define complex, nested combination functions.

研究动机与目标

• 解决现有基于知识库中概率规则的概率关系模型的局限性。
• 开发一种形式化方法，能够直接表示随机事件之间关系上的概率分布。
• 通过支持事件等式约束和复杂嵌套组合函数，提升表达能力。
• 提供一个统一框架，将关系结构与贝叶斯网络中的概率推理相结合。

提出的方法

• 定义一个贝叶斯网络，其中随机变量表示实体之间的关系，而非单个事件。
• 使用强大的条件概率分布参数化方法，以编码关系结构中的复杂依赖。
• 将事件之间的等式约束直接整合到网络结构中，支持对相同或等价实体的推理。
• 引入嵌套组合函数，以建模多个关系事实之间的复杂概率交互。
• 利用 UAI 1997 会议框架，将方法形式化并验证于标准概率推理环境中。
• 在保持与现有贝叶斯网络推理技术兼容的同时，将其适用范围扩展至关系型领域。

实验结果

研究问题

• RQ1 如何比传统概率规则更富表达力地表示多个随机事件之间的概率关系？
• RQ2 贝叶斯网络能否被扩展以直接建模实体之间的关系，同时保持推理效率？
• RQ3 在概率网络中，哪些机制能够实现事件之间等式约束的建模？
• RQ4 如何将复杂且嵌套的组合函数整合进关系型概率框架中？
• RQ5 与先前方法相比，该形式化方法在表达能力和实际适用性方面具有哪些优势？

主要发现

• 所提出的关联贝叶斯网络（RBNs）在表达能力上优于基于概率规则的先前方法。
• RBNs 直接表示关系上的概率分布，支持对关系不确定性更丰富的建模。
• 该框架支持事件之间的等式约束，使得对相同或不可区分实体的推理更加一致。
• 可在网络中定义嵌套组合函数，从而支持关系事实之间复杂的概率交互。
• 该形式化方法在保持与标准贝叶斯网络推理兼容的同时，将其适用范围扩展至关系型领域。
• 该方法在 UAI 1997 会议论文集的背景下得到形式化验证，证明了其理论严谨性与实际相关性。