Learning Bayesian Networks with Heterogeneous Agronomic Data Sets via Mixed-Effect Models and Hierarchical Clustering

要約

共変量と結果の間の関連性が異な​​る可能性がある、多様ではあるが関連するデータセットを含む研究は、農学研究を含むさまざまな分野で普及しています。
これらのシナリオでは、マルチレベル モデルとも呼ばれる階層モデルが、さまざまなデータ セットからの情報を同化しながら、それぞれの異なる特性に対応するためによく使用されます。
ただし、変数は因果関係の複雑なネットワークを形成することが多いため、その構造は単純な異質性を超えています。
ベイジアン ネットワーク (BN) は、変数間の関係を示す有向非巡回グラフを使用して、そのような関係をモデル化するための強力なフレームワークを提供します。
この研究では、ランダム効果を BN 学習に統合する新しいアプローチを導入しています。
線形混合効果モデルに根ざしたこのアプローチは、階層データの処理に特に適しています。
実際の農学実験の結果は、このアプローチの採用により構造学習が強化され、新しい接続の発見と改良されたモデル仕様の改善につながることが示唆されています。
さらに、予測誤差が 28% から 17% に減少していることがわかります。
このアプローチは、BN の適用可能性を複雑なデータセット構造に拡張することにより、階層的農学データに対する BN の効果的な利用に貢献します。
これにより、現場での意思決定支援ツールとしての価値が高まります。

要約(オリジナル)

Research involving diverse but related data sets, where associations between covariates and outcomes may vary, is prevalent in various fields including agronomic studies. In these scenarios, hierarchical models, also known as multilevel models, are frequently employed to assimilate information from different data sets while accommodating their distinct characteristics. However, their structure extend beyond simple heterogeneity, as variables often form complex networks of causal relationships. Bayesian networks (BNs) provide a powerful framework for modelling such relationships using directed acyclic graphs to illustrate the connections between variables. This study introduces a novel approach that integrates random effects into BN learning. Rooted in linear mixed-effects models, this approach is particularly well-suited for handling hierarchical data. Results from a real-world agronomic trial suggest that employing this approach enhances structural learning, leading to the discovery of new connections and the improvement of improved model specification. Furthermore, we observe a reduction in prediction errors from 28% to 17%. By extending the applicability of BNs to complex data set structures, this approach contributes to the effective utilisation of BNs for hierarchical agronomic data. This, in turn, enhances their value as decision-support tools in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google