要約
ベイジアンネットワークは、その解釈可能性と異種情報を含む柔軟性から、リスク管理や意思決定支援に最も広く利用されている確率モデルの一つである。どのような応用モデリングにおいても、特定の対象変数に関する推論が、モデルの変更に対してどの程度頑健であるかを評価することは極めて重要である。ベイジアンネットワークでは、これらの分析は感度分析の傘下にあり、最も一般的には、カルバック・ライブラー情報尺度を用いて非類似度を定量化することによって実施される。本論文では、おなじみの全変動距離に基づくロバストネス手法が、誤仕様化に対するロバストネスについて、形式的に正当化可能で透明性のある、シンプルでより価値のある境界を提供することを主張する。このような境界を導出するために、条件付き確率表における依存性の新しい尺度である直径を導入する。この尺度は変数とその親変数の間の依存性の強さを定量化するものである。このような形式的な頑健性の考慮が、ベイジアンネットワークの構築にどのように組み込めるかを示す。
要約(オリジナル)
Bayesian networks are one of the most widely used classes of probabilistic models for risk management and decision support because of their interpretability and flexibility in including heterogeneous pieces of information. In any applied modelling, it is critical to assess how robust the inferences on certain target variables are to changes in the model. In Bayesian networks, these analyses fall under the umbrella of sensitivity analysis, which is most commonly carried out by quantifying dissimilarities using Kullback-Leibler information measures. In this paper, we argue that robustness methods based instead on the familiar total variation distance provide simple and more valuable bounds on robustness to misspecification, which are both formally justifiable and transparent. We introduce a novel measure of dependence in conditional probability tables called the diameter to derive such bounds. This measure quantifies the strength of dependence between a variable and its parents. We demonstrate how such formal robustness considerations can be embedded in building a Bayesian network.
arxiv情報
| 著者 | Manuele Leonelli,Jim Q. Smith,Sophia K. Wright |
| 発行日 | 2024-07-05 17:22:12+00:00 |
| arxivサイト | arxiv_id(pdf) |