La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Juan Domingo Tardós Dpto. Informática e Ingeniería de Sistemas.

Presentaciones similares


Presentación del tema: "Juan Domingo Tardós Dpto. Informática e Ingeniería de Sistemas."— Transcripción de la presentación:

1 Juan Domingo Tardós Dpto. Informática e Ingeniería de Sistemas.
Inteligencia Artificial (30223) Lección 13. Razonamiento Probabilista Curso Juan Domingo Tardós Dpto. Informática e Ingeniería de Sistemas.

2 Índice Construcción de Redes Bayesianas Inferencia por Enumeración
Correlación y Causalidad Inferencia por Enumeración Eliminación de Variables Inferencia Aproximada por Muestreo Basado en las transparencias de Sebastian Thrun y Peter Norwig, CS221: Artificial Intelligence, Stanford University, 2011

3 Ejemplo: Alarma Antirrobo
P(E) +e 0.002 e 0.998 B P(B) +b 0.001 b 0.999 Burglary Earthquake Alarm B E A P(A|B,E) +b +e +a 0.95 a 0.05 e 0.94 0.06 b 0.29 0.71 0.001 0.999 John calls Mary calls A J P(J|A) +a +j 0.9 j 0.1 a 0.05 0.95 A M P(M|A) +a +m 0.7 m 0.3 a 0.01 0.99

4 Semántica de las Redes Bayesianas
La topología representa la (in)dependencia condicional Puede reflejar la causalidad real del dominio La red resultante suele ser más simple de obtener B E A J M

5 Correlación no implica Causalidad
Si observamos que existe correlación entre A y B, es decir, no son independientes: ¿A causa B? ¿B causa A? ¿C causa A y B? Ejemplo: quienes duermen con zapatos sufren dolor de cabeza Las tres redes Bayesianas son correctas y permiten hacer inferencias Sólo la terecera refleja la causalidad real del dominio Borrachera Z D B D Z Z D

6 Construcción de una Red Bayesiana
Algoritmo de construcción: Nodos: Determinar el conjunto de variables necesarias para modelar el problema y ordenarlas {X1, ... Xn}. La red será más compacta si las causas preceden a los efectos Arcos: For i = 1 to n do: Elegir entre {X1, ... Xi-1} un conjunto mínimo de padres para Xi Para cada padre, insertar un arco del padre a Xi Escribir la tabla de probabilidades condicionales P(Xi|padres(Xi) End for

7 Causalidad y Correlación
Orden: {B, E, A, J, M} Orden: {J, M, A, B, E} B E A J M J M A B E

8 Causalidad y Correlación
Orden: {B, E, A, J, M} Orden: {M, J, E, B, A} B E A J M M J E B A

9 Inferencia Probabilista
Responder a preguntas sobre probabilidad a partir de un Red Bayesiana Para cada pregunta las variables se pueden dividir en 3 grupos: Probabilidad a posteriori: Explicación más probable: B E A J M Q: Nodos Consulta (Query) H: Nodos Ocultos (Hidden) E: Nodos Evidencia

10 Inferencia Probabilista
En dirección causal: E: nodo(s) raíz Q: nodo(s) hoja En dirección diagnóstica: E: nodo(s) hoja Q: nodo(s) raíz Ejemplo María llama, queremos saber la probabilidad de Ladrón E: {M} Q: {B} H: {E,A,J} B E A J M Causal Diagnóstico

11 Inferencia por Enumeración
Con tiempo ilimitado, la inferencia en RB es fácil Receta: Ver que probabilidades incondicionales se necesitan para responder a la pregunta Enumerar todas las probabilidades atómicas (para todos los posibles valores de las variables H) Calcular suma de productos Ejemplo: B E A J M

12 Inferencia por Enumeración
B E A J M P(+b, +j, +m) = ∑e ∑a P(+b, +j, +m, e, a) = ∑e ∑a P(+b) P(e) P(a|+b,e) P(+j|a) P(+m|a) =

13 Inferencia por Enumeración
Optimización: sacar términos de los sumatorios B E A J M P(+b, +j, +m) = ∑e ∑a P(+b, +j, +m, e, a) = ∑e ∑a P(+b) P(e) P(a|+b,e) P(+j|a) P(+m|a) = P(+b) ∑e P(e) ∑a P(a|+b,e) P(+j|a) P(+m|a) ó = P(+b) ∑a P(+j|a) P(+m|a) ∑e P(e) P(a|+b,e)

14 Inferencia por Enumeración
Problema: Habría que sumar 106 términos ¿Como podemos hacer que la inferencia sea tratable?

15 Eliminación de Variables
¿Por qué es tan lenta la inferencia por enumeración? Se calcula la distribución conjunta completa antes de sumar (marginalizar) a lo largo de las variables ocultas ( ∑e ∑a P(+b) P(e) P(a|+b,e) P(+j|a) P(+m|a) ) Se repite un montón de trabajo! Idea: entremezclar conjunción y marginalización Se denomina “Eliminación de variables” Todavía es NP-hard, pero mucho más rápido que enumeración Requiere combinar “factores” (arrays multi-dimensionales)

16 Tipos de “factores” Distribución conjunta: P(X,Y)
Entradas P(x,y) para todas las x, y Suman 1 Conjunta seleccionada: P(x,Y) Una rodaja de la conjunta Entradas P(x,y) para x fijo, todas las y Suman P(x) T W P hot sun 0.4 rain 0.1 cold 0.2 0.3 T W P cold sun 0.2 rain 0.3

17 Tipos de “factores” Famila de condicionales: P(X|Y)
Valores condicionales múltiples Entradas P(x|y) para todas las x, y Suman |Y| (p.e. si Y es Booleana: 2) Condicional simple: P(Y | x) Entradas P(y|x) para x fijo, todas las y Suman 1 T W P hot sun 0.8 rain 0.2 cold 0.4 0.6 T W P cold sun 0.4 rain 0.6

18 Tipos de “factores” Familia específica: P(y|X)
Entradas P(y|x) para y fijo, todas las x Suman … ¿quién sabe? En general, cuando escribimos P(Y1 … YN | X1 … XM) Es un factor, una matriz multi-dimensional Sus valores son todas las P(y1 … yN | x1 … xM) Cualquier X o Y asignada (valor fijo) es una dimensión que falta en la matriz T W P hot rain 0.2 cold 0.6

19 Ejemplo: Dominio del Tráfico
Variables Aleatorias R: Raining T: Traffic L: Late for class +r 0.1 -r 0.9 R +r +t 0.8 -t 0.2 -r 0.1 0.9 T L P (L | T ) +t +l 0.3 -l 0.7 -t 0.1 0.9

20 Esquema general de la Eliminación
Ir construyendo matrices multi-dimensionales llamadas factores Factores iniciales: tablas de prob. condicional, una por nodo Seleccionar los valores conocidos P. ej. Si sabemos que L=+l, los factores iniciales quedan: EV: Ir alternando: unir factores y eliminar variables +r 0.1 -r 0.9 +r +t 0.8 -t 0.2 -r 0.1 0.9 +t +l 0.3 -l 0.7 -t 0.1 0.9 +r 0.1 -r 0.9 +r +t 0.8 -t 0.2 -r 0.1 0.9 +t +l 0.3 -t 0.1

21 Operación 1: Unir Factores
Parecido a un “join” en una base de datos Tomar todos los factores que mencionan la variable a unir Construir un nuevo factor con la unión de todas las variables involucradas Ejemplo: Unión sobre R Para cada entrada: productos punto a punto: R +r 0.1 -r 0.9 +r +t 0.8 -t 0.2 -r 0.1 0.9 +r +t 0.08 -t 0.02 -r 0.09 0.81 R,T T

22 Operacióm 2: Eliminar Segunda operación básica: marginalización
Tomar un factor, y sumar sobre una variable, para quitarla El factor se reduce de tamaño Es una operación de proyección Ejemplo: +r +t 0.08 -t 0.02 -r 0.09 0.81 +t 0.17 -t 0.83

23 Ejemplo: Calcular P(L), paso 1
0.1 -r 0.9 Sum out R Join R R +r +t 0.08 -t 0.02 -r 0.09 0.81 +t 0.17 -t 0.83 +r +t 0.8 -t 0.2 -r 0.1 0.9 T R, T T L L L +t +l 0.3 -l 0.7 -t 0.1 0.9 +t +l 0.3 -l 0.7 -t 0.1 0.9 +t +l 0.3 -l 0.7 -t 0.1 0.9

24 Ejemplo: Calcular P(L), paso 2
T T, L L Join T Sum out T L +t 0.17 -t 0.83 +t +l 0.051 -l 0.119 -t 0.083 0.747 +l 0.134 -l 0.886 +t +l 0.3 -l 0.7 -t 0.1 0.9 Early marginalización is variable eliminación

25 Evidencia Si hay evidencia, comenzar con factores que la seleccionen
Si no hay evidencia los factores iniciales son: Para calcular P(L |+r), los factores iniciales son: Eliminar todas las variables que no sean query o evidencia +r 0.1 -r 0.9 +r +t 0.8 -t 0.2 -r 0.1 0.9 +t +l 0.3 -l 0.7 -t 0.1 0.9 +r 0.1 +r +t 0.8 -t 0.2 +t +l 0.3 -l 0.7 -t 0.1 0.9

26 Evidencia II El resultado será una conjunción seleccionada de query y evidencia P. ej. para P(L | +r), terminaremos con: Normalizar +r +l 0.026 -l 0.074 +l 0.26 -l 0.74

27 Eliminación de Variables General
Query: Empezar con factores iniciales: Tablas de Prob. Condicional, instanciadas con la evidencia Mientras queden variables ocultas (no Q ni evidencia): Elegir una variable oculta H Juntar todos los factores que mencionan a H Eliminar H (sumando) Juntar todos los factores restantes, y normalizar

28 Ejemplo Σ a B E A J M Queremos obtener:
Factores iniciales instanciados: Elegimos A Σ a

29 Ejemplo Elegimos E: Terminamos con B: Σ e Normalizar

30 Complejidad de la Eliminación de Variables
El coste depende del factor intermedio más grande que se genere, que a su vez depende de: La estructura de la red Polytrees: si entre dos nodos cualesquiera hay como máximo un único camino (no-dirigido) La complejidad en tiempo y memoria es lineal con el tamaño de la red (nº de TPC) Si el numero de padres por nodo < k , es lineal con el número de nodos Redes con conexiones múltiples: en el peor de los casos el coste es exponencial El orden de eliminación de las variables Calcular el orden óptimo es intratable Hay buenas heurísticas: eliminar la variable que minimiza el tamaño del próximo factor a crear B E A J M C S R W

31 Inferencia Aproximada por Muestreo
Muestrear / Simular / Observar Idea básica: Extraer N muestras de una distribución de muestreo S Calcular una distribución a posteriori aproximada De forma que la probabilidad estimada sea consistente: que converga a la verdadera probabilidad P, cuando el número de muestras tienda a infinito ¿Por qué muestrear? Aprendizaje: obtener muestras de una distribución que no se conoce P(“Viagra”|SPAM) y P(“Viagra”|¬SPAM) Inferencia: en redes complicadas, generar muestras es más rápido que calcular la respuesta exacta (por ejemplo con eliminación de variables)

32 Muestreo por Priori Partimos de una red sin evidencias Cloudy Cloudy
0.5 -c Cloudy Cloudy +c +s 0.1 -s 0.9 -c 0.5 +c +r 0.8 -r 0.2 -c Sprinkler Sprinkler Rain Rain WetGrass WetGrass Muestras: +s +r +w 0.99 -w 0.01 -r 0.90 0.10 -s +c, -s, +r, +w -c, +s, -r, +w

33 Muestreo por Priori Este proceso genera muestras con probabilidad:
…es decir, la probabilidad conjunta de la Red Bayesiana Si el número de muestras de un evento es: Se cumple: Es decir, el procedimiento de muestreo es consistente

34 Ejemplo Obtenemos un conjunto de muestras de la RB:
+c, -s, +r, +w +c, +s, +r, +w -c, +s, +r, -w -c, -s, -r, +w Si queremos conocer P(W) Tenemos cuentas <+w:4, -w:1> Normalizamos para sacar P(W) = <+w:0.8, -w:0.2> Se aproximará a la distribución real con más muestras Rápido: si tenemos poco tiempo, podemos usar menos muestras, a costa de la precisión de la aproximación Cloudy Sprinkler Rain WetGrass C S R W

35 Muestreo por Rechazo Supongamos que queremos P(C)
No hace falta mantener todas las muestras Simplemente contar los +c y –c sobre la marcha Supongamos que queremos P(C| +s) Contamos los +c y –c, pero ignorando (rechazando) las muestras que no tienen S=+s Se llama muestreo por rechazo Es consistente (correcto en el límite) Cloudy Sprinkler Rain WetGrass C S R W +c, -s, +r, +w +c, +s, +r, +w -c, +s, +r, -w -c, -s, -r, +w

36 Ejemplo Tenemos dos cajas
25 25 1 25 25 1 Tenemos dos cajas Una tiene 1 penny (1c) y 1 quarter (25c) La otra tiene 2 quarters Elegimos aleatoriamente una de las cajas y sacamos una moneda de esa caja. Es un quarter. ¿Cual es la probabilidad de que la otra moneda de la caja sea también un quarter? 747/ 1000

37 Ponderación por Verosimilitud
Problema del muestreo por rechazo: Si la evidencia es muy poco probable, tiramos la mayoría de las muestras No se aprovecha la evidencia al muestrear Supongamos que queremos P(B|+a) Idea: fijar la evidencia y muestrear el resto La distribución de las muestras no es consistente Solución: ponderar cada muestra con la probabilidad de la evidencia dados los padres -b, -a +b, +a Burglary Alarm -b +a -b, +a +b, +a Burglary Alarm

38 Ejemplo Queremos: P(R|+s,+w) Cloudy Cloudy Sprinkler Sprinkler Rain
0.5 -c Cloudy Cloudy +c +s 0.1 -s 0.9 -c 0.5 +c +r 0.8 -r 0.2 -c Sprinkler Sprinkler Rain Rain WetGrass WetGrass Samples: +s +r +w 0.99 -w 0.01 -r 0.90 0.10 -s +c, +s, +r, +w 0.099

39 Ponderación por Verosimilitud
Si z son los nodos muestreados y e los nodos evidencia fijos, la distribución de las muestras es: Las muestras tienen pesos: Juntándolo, la distribución de muestras ponderadas es consistente: Cloudy R C S W

40 Ponderación por Verosimilitud
Es buena Tiene en cuenta la evidencia al generar las muestras En el ejemplo, el valor de W se muestrea teniendo en cuenta los valores de evidencia de S y R Más parte de las muestras reflejan el estado del universo sugerido por la evidencia Pero no resuelve todos los problemas La evidencia influye en la elección de variables aguas abajo, pero no de las que está aguas arriba. En el ejemplo, C no ha aumentado su probabilidad de obtener valores que casen con la evidencia Nos gustaría aprovechar la evidencia al muestrear todas las variables Cloudy Rain C S R W

41 Muestreo de Gibbs Es un algoritmo de tipo Markov Chain Monte Carlo (MCMC) Idea: en lugar de generar cada muestra desde cero, crear muestras que se parecen a la anterior Procedimiento: Supongamos que el sistema está en un cierto “estado” Repetir: Generar un nuevo estado remuestreando aleatoriamente una de las variable, condicionada por todo el resto, siempre manteniendo fija la evidencia. El conjunto de estados con sus probabilidades de transición forman una “Cadena de Markov” El proceso alcanza un “equilibrio dinámico” en el que la fracción de tiempo que se pasa en cada estado es proporcional a su probabilidad a posteriori Hace falta que la cadena sea ergódica: todos los estados son alcanzables desde otro y no hay ciclos períodicos estrictos

42 Muestreo de Gibbs Ejemplo: queremos P(c|+s, +w)
+c +s +w +r Estado inicial -c +s +w +r muestreo C -c +s +w +r muestreo W +c +s +w +r muestreo C +c +s -w +r muestreo W +c +s +w +r muestreo W ..... Propiedades: las muestras no son independientes (de hecho, las adyacentes son casi iguales), pero las medias muestrales siguen siendo estimadores consistentes! Cual es la gracia: tanto las variables aguas arriba como aguas abajo están condicionadas por la evidencia Cloudy Rain C S R W

43 Inteligencia Artificial
(30223) Grado en Ingeniería Informática Lección 13. Razonamiento Probabililista AIMA 14.1 a Tema 4 de


Descargar ppt "Juan Domingo Tardós Dpto. Informática e Ingeniería de Sistemas."

Presentaciones similares


Anuncios Google