Bayesian Networks の利点

「複数要因の BN モデル」からの続き。

前回は「Norman 遅刻」の場合の確率の変化を見た。次は「Martin 遅刻」の場合（図 6.5a）。

「Martin が遅刻」だけからは、「列車ストライキ」の確率 15 % より「Martin 寝坊」の確率 55 % が高い。

これに「Norman も遅刻」を加えたのが次の 図 6.5b 。

「列車ストライキ」の方が「Martin 寝坊」より「あり得る」結果となった。

This particular type of (backward) inference is called explaining away (or sometimes called nonmonotonic reasoning).

引用への補足：本書の英文は非常に分かりやすい。そして、日本語訳で本来の意味が損なわれるのを危惧して、翻訳はしないことにした。今後、他の投稿でもこの傾向は強まる予定。内容に依存するが、カタカナ表記や誤訳をするより、多くの場合で正しいやり方だと思い始めている。

ここでのキーワードは 3 つ

backward inference

non-monotonic reasoning

explaining away 

explaining away の辞書（Oxford Learner's Dictionaries）的定義は

explain something ←→ away 

to give reasons why something is not your fault or why something is not important

この意味だと、上記引用の文脈からは、ちょっと違うような気がするが、引用文の内容自体は明確なので気にしない（笑）。

The Benefits of BNs

Bayesian Networks の利点を列挙する。これ以上の詳細は、今後具体例として取り上げる予定。

• Explicitly model causal factors：原因／要因の明確なモデル化。
• Reason from effect to cause and vice versa：データ入力に関連する全ての事象の確率を更新する、つまり "backward reasoning of uncertainty" 。
• Reduce the burden parameter acquisition：modularity と compactness による「モデルのシンプルさ」。要するに、関連する事象のみに注目することで、"full joint probability model" の煩雑さはない。
• Overturn previous beliefs in the light of new evidence：先の「Norman 遅刻」を加えた例のように、新たな情報がそれまでの確証を覆す。Bayesian そのもの。
• Make predictions with incomplete data：「明らかな情報」のみから予測可能。つまり、不確かな情報は「prior（事前確率）」のまま、分かっている情報だけを関連する確率の変化を予測できる。
• Combine diverse types of evidence including both subjective beliefs and objective data：主観的、客観的にかかわらず、多様なデータを「証拠」として結合
• Arrive at decisions based on visible, auditable reasoning：「black-box モデル」のように「秘密の変数」などなく、推論メカニズムは「ベイズの定理」のみ。

半分は「ベイズの定理そのもの」という気がするが、Bayesian Network なので当然のこと。それでも「Network 化」することの利点は、冒頭の単純な例からも理解できる。