[论文解读] Reliable Uncertain Evidence Modeling in Bayesian Networks by Credal Networks

Sabina Marchetti, Alessandro Antonucci|arXiv (Cornell University)|Feb 1, 2018

Bayesian Modeling and Causal Inference被引用 2

一句话总结

该论文提出了一种基于超集的量化框架，用于在贝叶斯网络中通过情愿网络（credal networks）建模不可靠或不确定的证据，通过增强的网络结构实现高效传播。该框架提供了复杂度特征分析，并为一个子类提供了精确算法，同时支持在相同变量上的多个证据之间的集合值意见聚合。

ABSTRACT

A reliable modeling of uncertain evidence in Bayesian networks based on a set-valued quantification is proposed. Both soft and virtual evidences are considered. We show that evidence propagation in this setup can be reduced to standard updating in an augmented credal network, equivalent to a set of consistent Bayesian networks. A characterization of the computational complexity for this task is derived together with an efficient exact procedure for a subclass of instances. In the case of multiple uncertain evidences over the same variable, the proposed procedure can provide a set-valued version of the geometric approach to opinion pooling.

研究动机与目标

• 解决在贝叶斯网络中建模不可靠或不确定证据的挑战，其中证据可能不精确或存在冲突。
• 将现有软证据和虚拟证据的方法扩展为更具鲁棒性的基于集合的不确定性表示。
• 通过将问题简化为增强型情愿网络中的标准更新过程，实现在不确定证据下的精确推理。
• 表征该框架中不确定证据传播的计算复杂度。
• 通过集合值几何意见聚合方法，支持在相同变量上的多个不确定证据的协同处理。

提出的方法

• 使用集合值量化方法表示不确定证据，将证据表示为一组可能的概率值，而非单一的点估计。
• 构建一个增强型情愿网络，编码所有与集合值证据一致的贝叶斯网络。
• 将证据传播简化为在增强网络中的标准条件概率更新，利用现有的推理算法。
• 推导出在所提框架下推理任务的计算复杂度特征。
• 为结构允许高效计算的实例子类，开发精确推理过程。
• 应用集合值扩展的几何意见聚合方法，以协同方式组合同一变量上的多个不确定证据，保持证据集之间的一致性。

实验结果

研究问题

• RQ1 如何通过概率的基于集合的表示，可靠地在贝叶斯网络中建模不确定证据？
• RQ2 在此类框架中，不确定证据传播的计算复杂度是什么？
• RQ3 能否通过增强型情愿网络结构重用标准贝叶斯网络推理算法？
• RQ4 如何一致地组合同一变量上的多个不确定证据？
• RQ5 是否存在针对有意义的不确定证据问题子类的精确推理过程？

主要发现

• 所提出的框架通过将证据表示为一组可能的概率值，实现了对不确定证据的可靠建模，增强了对不精确观测的鲁棒性。
• 证据传播被简化为在增强型情愿网络中的标准更新，其等价于一组一致的贝叶斯网络。
• 推理任务的计算复杂度得到了正式表征，为可计算性提供了理论洞察。
• 为一个实例子类开发了高效的精确推理过程，提升了实际适用性。
• 该方法支持几何意见聚合的集合值版本，允许对同一变量上的多个不确定证据进行一致组合。