[论文解读] Sensitivity Analysis in Bayesian Networks: From Single to Multiple Parameters

Hei Chan, Adnan Darwiche|arXiv (Cornell University)|Jul 11, 2012

Bayesian Modeling and Causal Inference参考文献 11被引用 6

一句话总结

该论文将贝叶斯网络中的敏感性分析从单参数扩展到多参数扰动，提出一种方法以识别在最小化对原始分布扰动的同时满足查询约束的最优参数变化。该研究刻画了计算复杂度，并支持在网络调试和信息可靠性评估中的应用。

ABSTRACT

Previous work on sensitivity analysis in Bayesian networks has focused on single parameters, where the goal is to understand the sensitivity of queries to single parameter changes, and to identify single parameter changes that would enforce a certain query constraint. In this paper, we expand the work to multiple parameters which may be in the CPT of a single variable, or the CPTs of multiple variables. Not only do we identify the solution space of multiple parameter changes that would be needed to enforce a query constraint, but we also show how to find the optimal solution, that is, the one which disturbs the current probability distribution the least (with respect to a specific measure of disturbance). We characterize the computational complexity of our new techniques and discuss their applications to developing and debugging Bayesian networks, and to the problem of reasoning about the value (reliability) of new information.

研究动机与目标

• 将现有的贝叶斯网络单参数敏感性分析推广至处理多个参数的同步变化。
• 识别能够强制执行期望查询约束的多参数变化解空间。
• 在可行的多参数变化中找到对原始概率分布扰动最小的最优解。
• 刻画多参数敏感性分析技术的计算复杂度。
• 支持实际应用，如贝叶斯网络的调试和新信息可靠性的评估。

提出的方法

• 该方法将多参数敏感性分析形式化为在条件概率表（CPTs）中联合参数扰动上的优化问题。
• 使用距离度量（例如，Kullback-Leibler散度）量化参数变化对原始分布造成的扰动。
• 该方法识别参数空间中满足查询约束（例如，P(X|E) ≥ 0.9）的可行区域。
• 采用约束优化技术定位最优解——在满足查询约束的前提下扰动最小。
• 该方法可处理多个CPT中变量内部和变量之间的参数变化。
• 计算复杂度被正式分析，表明在某些结构假设下问题仍具有可解性。

实验结果

研究问题

• RQ1 在贝叶斯网络中，哪些多参数变化组合能够强制执行期望的查询约束？
• RQ2 如何识别最优的多参数变化集合，定义为对原始概率分布扰动最小的集合？
• RQ3 求解贝叶斯网络中多参数敏感性分析问题的计算复杂度是什么？
• RQ4 多参数敏感性分析如何用于检测错误或提升贝叶斯网络模型的可靠性？
• RQ5 多参数扰动对评估信念更新中新信息价值有何影响？

主要发现

• 该论文识别出满足给定查询约束的所有多参数变化的完整解空间，超越了单参数分析的范围。
• 提出一种方法，通过特定的散度度量（如KL散度）计算最小扰动的最优参数变化集合。
• 所提方法的计算复杂度被正式分析，表明在具有中等条件独立结构的网络中仍具可行性。
• 该方法通过识别可合理调整的参数以纠正不一致的查询结果，实现了贝叶斯网络的系统性调试。
• 该框架通过量化为使信念朝期望方向改变所需证据的多少，支持对新信息可靠性的推理。
• 该方法推广了先前的单参数敏感性分析工作，并为信念网络的鲁棒性分析提供了基础。