ベイジアンベリーフネットワークとは？仕組み・構成要素・応用分野を徹底解説

ベイジアンベリーフネットワークの概要

ナイーブベイズ分類器は「クラス条件付き独立性」を仮定します。つまり、データ（タプル）のクラスラベルが与えられれば、各属性値は互いに条件付き独立であるとみなし、計算を大幅に簡略化しています。

この仮定が実際に成り立つ場合、ナイーブベイズ分類器は他の多くの分類手法と比べて非常に高い効率を発揮します。しかし、現実のデータでは属性間に依存関係が存在することも少なくありません。そこで登場するのがベイジアンベリーフネットワーク（信念ネットワーク）です。これは変数間の結合条件付き確率分布を定義するモデルであり、変数の部分集合間におけるクラス条件付き独立性を柔軟に表現できます。

ベイジアンベリーフネットワークは、因果関係をグラフィカルな構造として表現でき、その構造の上で学習を実行できます。学習済みのネットワークは分類に利用されます。なお、このモデルは「ベリーフネットワーク」「ベイジアンネットワーク」「確率ネットワーク」など、さまざまな名称で呼ばれています。

ベリーフネットワークを構成する2つの要素

ベリーフネットワークは、次の2つの要素によって表現されます。

• 有向非巡回グラフ（DAG：Directed Acyclic Graph）
• 条件付き確率表（CPT：Conditional Probability Table）の集合

有向非巡回グラフ（DAG）

グラフ内の各ノードは1つのランダム変数を表します。変数は離散値でも連続値でもかまいません。これらの変数は、データ中に実際に存在する属性に対応する場合もあれば、「隠れ変数」と呼ばれる潜在的な要因に対応する場合もあります。例えば医療記録の分析では、複数の症状をまとめて特定の疾患を示唆する「症候群」を、隠れ変数としてモデル化できます。

グラフの各アーク（矢印）は確率的な依存関係を表します。ノードYからノードZへアークが引かれている場合、YはZの親（直接の先行ノード）であり、ZはYの子孫であるといいます。そして重要な性質として、各変数は、その親が与えられた条件下で、グラフ上の非子孫ノードに対して条件付き独立になります。

条件付き確率表（CPT）

ネットワーク内の各変数には、それぞれ1つの条件付き確率表（CPT）が割り当てられます。変数YのCPTは、条件付き分布 P(Y | Parents(Y)) を定義します。ここで Parents(Y) はYの親ノードの集合を意味します。

出力ノードと分類の手順

ネットワーク内の任意のノードを「出力」ノードとして指定し、クラスラベル属性に対応させることができます。出力ノードは1つに限らず、複数設定することも可能です。また、推論や学習のためのアルゴリズムも数多く提案されています。

興味深い点は、分類手続きが単一のクラスラベルだけを返すとは限らないことです。代わりに、各クラスに割り当てられる確率を示す確率分布を返すことができます。これにより、予測の不確実性まで考慮した判断が可能になります。

ベイジアンベリーフネットワークの主な応用分野

ベリーフネットワークは、さまざまな著名な問題のモデリングに活用されています。代表的な応用例は以下の通りです。

• 遺伝子連鎖分析：染色体への遺伝子マッピングなどの問題を、ベイジアンネットワーク上の推論問題として定式化し、最先端のアルゴリズムを組み合わせることで、解析のスケーラビリティが飛躍的に向上しました。
• コンピュータビジョン：画像復元やステレオビジョンなどの視覚情報処理に応用されています。
• 文書・テキスト分析：文書の分類や意味解析などに利用されています。
• 意思決定支援システム：不確実性を伴う意思決定の支援に役立てられています。
• 感度分析：入力変数の変化が結果に与える影響の評価に用いられています。

多くの応用問題をベイジアンネットワークの推論問題へと帰着させられる点は、大きな利点です。アプリケーションごとに専用のアルゴリズムを新たに開発する必要がなくなり、開発コストと労力を大幅に削減できるためです。