графоид
Графоид » , — это набор утверждений вида: « X не имеет отношения к Y, если мы знаем Z где X , Y и Z — наборы переменных. Понятия «нерелевантность» и «при условии, что мы знаем» могут иметь разные интерпретации, в том числе вероятностные , реляционные и корреляционные, в зависимости от применения. Эти интерпретации имеют общие свойства, которые можно отобразить с помощью путей на графах (отсюда и название «графоид»). Теория графоидов характеризует эти свойства конечным набором аксиом , общих для информационной нерелевантности и ее графических представлений.
История
[ редактировать ]Джудея Перл и Азария Пас [1] ввел термин «графоиды» после того, как обнаружил, что набор аксиом, управляющих условной независимостью в теории вероятностей, является общим для неориентированных графов . Переменные представлены в виде узлов на графе таким образом, что наборы переменных X и Y независимы от Z в распределении всякий раз, когда набор узлов Z отделяет X от Y в графе. Аксиомы условной независимости по вероятности были выведены ранее А. Филипом Давидом. [2] и Вольфганг Шпон . [3] Позднее соответствие между зависимостью и графами было расширено до ориентированных ациклических графов (DAG). [4] [5] [6] и к другим моделям зависимости. [1] [7]
Определение
[ редактировать ]Модель зависимостей M — это подмножество троек ( X , Z , Y ), для которых предикат I ( X , Z , Y ): X не зависит от Y при условии Z , истинен. Графоид определяется как модель зависимостей, замкнутая в соответствии со следующими пятью аксиомами:
- Симметрия:
- Разложение:
- Слабый союз:
- Сокращение:
- Пересечение:
Полуграфоид — это модель зависимостей, закрытая под номерами 1–4. Эти пять аксиом вместе известны как аксиомы графоида. [8] Интуитивно, слабые свойства объединения и сжатия означают, что нерелевантная информация не должна изменять статус релевантности других предложений в системе; то, что было актуальным, остается актуальным, а то, что было неуместным, остается неуместным. [8]
Виды графоидов
[ редактировать ]Вероятностные графоиды
[ редактировать ]Условная независимость, определяемая как
является полуграфоидом, который становится полным графоидом, когда P строго положительно. [1] [7]
Корреляционные графоиды
[ редактировать ]Модель зависимостей является корреляционным графоидом, если в некоторой функции вероятности мы имеем:
где — это частичная корреляция между x и y, набором Z. заданная
Другими словами, линейная ошибка оценки переменных в X с использованием измерений по Z добавления измерений переменных в Y , что сделает Y нерелевантным для оценки X. не будет уменьшена за счет Модели корреляционной и вероятностной зависимости совпадают для нормальных распределений. [1] [7]
Реляционные графоиды
[ редактировать ]Модель зависимостей является реляционным графоидом, если она удовлетворяет
Другими словами, диапазон значений, разрешенных для X , не ограничен выбором Y , если Z фиксировано. Утверждения независимости, принадлежащие этой модели, аналогичны встроенным многозначным зависимостям (EMVD) в базах данных. [1] [7]
Граф-индуцированные графоиды
[ редактировать ]Если существует неориентированный граф G такой, что
тогда графоид называется граф-индуцированным. Другими словами, существует неориентированный граф G такой, что каждое утверждение независимости в M отражается как разделение вершин в G и наоборот. Необходимым и достаточным условием того, чтобы модель зависимостей была графоидом, индуцированным графоидом, является то, что она удовлетворяет следующим аксиомам: симметрия, декомпозиция, пересечение, сильное объединение и транзитивность.
Сильный профсоюз утверждает, что
Транзитивность утверждает, что
Аксиомы симметрия, разложение, пересечение, сильное объединение и транзитивность составляют полную характеристикунеориентированные графы. [9]
DAG-индуцированные графоиды
[ редактировать ]Графоид называется DAG-индуцированным, если существует направленный ациклический граф D такой, что где означает d разделение в D. - d -разделение ( d -означает «направленный») расширяет понятие разделения вершин от неориентированных графов до ориентированных ациклических графов. Это позволяет считывать условные независимости из структуры байесовских сетей . Однако условные независимости в DAG не могут быть полностью охарактеризованы конечным набором аксиом. [10]
Включение и строительство
[ редактировать ]Граф-индуцированные и DAG-индуцированные графоидыоба содержатся в вероятностных графоидах. [11] Это означает, что для каждого графа G существует распределение вероятностей P такое, что каждая условная независимость в P представлена в G , и наоборот. То же самое справедливо и для DAG.Однако существуют вероятностные распределения, не являющиеся графоидами, и, более того, не существует конечной аксиоматизации вероятностных условных зависимостей. [12]
Томас Верма показал, что каждый полуграфоид имеет рекурсивный способ построения DAG, в котором любое d -разделение. допустимо [13] Конструкция аналогична той, которая используется в сетях Байеса , и выглядит следующим образом:
- Расположите переменные в произвольном порядке 1, 2,...,i,..., N и, начиная с i = 1,
- выберите для каждого узла i набор узлов PA i такой, что i не зависит от всех своих предшественников, 1, 2,..., i − 1, обусловленных PA i .
- Нарисуйте стрелки от PA i до i и продолжайте.
DAG, созданный этой конструкцией, будет представлять все условные независимости, которыеследуют из использованных при построении. Более того, каждое d -разделение, показанное в DAG, будет действительной условной независимостью в графоиде, используемом при построении.
Ссылки
[ редактировать ]- ^ Перейти обратно: а б с д и Перл, Иудея; Пас, Азария (1985). «Графоиды: графовая логика для рассуждений об отношениях релевантности» (PDF) .
- ^ Дэвид, А. Филип (1979). «Условная независимость в статистической теории». Журнал Королевского статистического общества, серия B : 1–31.
- ^ Спон, Вольфганг (1980). «Стохастическая независимость, причинная независимость и защищаемость» . Журнал философской логики . 9 : 73–99. дои : 10.1007/bf00258078 .
- ^ Перл, Иудея (1986). «Слияние, распространение и структурирование в сетях убеждений». Искусственный интеллект . 29 (3): 241–288. дои : 10.1016/0004-3702(86)90072-x .
- ^ Верма, Томас; Перл, Иудея (1988). «Каузальные сети: семантика и выразительность». Материалы 4-го семинара по неопределенности в искусственном интеллекте : 352–359.
- ^ Лауритцен, С.Л. (1996). Графические модели . Оксфорд: Кларендон Пресс.
- ^ Перейти обратно: а б с д Гейгер, Дэн (1990). «Графоиды: качественная основа для вероятностного вывода» (докторская диссертация, технический отчет R-142, факультет компьютерных наук, Калифорнийский университет, Лос-Анджелес) .
- ^ Перейти обратно: а б Перл, Иудея (1988). Вероятностные рассуждения в интеллектуальных системах: сети правдоподобного вывода . Морган Кауфманн.
- ^ А. Паз, Дж. Перл и С. Ур, «Новая характеристика графов, основанная на отношениях перехвата», Журнал теории графов, Vol. 22, № 2, 125-136, 1996.
- ^ Гейгер, Д. (1987). «Неаксиоматизируемость зависимостей в ориентированных ациклических графах» (PDF) . Отчет Калифорнийского университета в Лос-Анджелесе по компьютерным наукам R-83 .
- ^ Гейгер, Д.; Перл, Дж. (1993). «Логико-алгоритмические свойства условной независимости и графические модели». Анналы статистики . 21 (4): 2001–2021. CiteSeerX 10.1.1.295.2043 . дои : 10.1214/aos/1176349407 .
- ^ Студени, М. (1992). Кубик, С.; Висек, Дж. А. (ред.). «Отношения условной независимости не имеют конечной полной характеристики». Теория информации, статистические функции принятия решений и случайные процессы. Труды 11-й Пражской конференции . Б. Дордрехт: Клювер: 377–396.
- ^ Верма, Т.; Перл, Дж. (1990). Шахтер, Р.; Левитт, Т.С.; Канал, Л.Н. (ред.). «Каузальные сети: семантика и выразительность». Неопределенность в AI 4 . Издательство Elsevier Science: 69–76.