Advancing incorporation of expert knowledge into Bayesian networks

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
School of Science | Doctoral thesis (article-based) | Defence date: 2022-05-25
Date
2022
Major/Subject
Mcode
Degree programme
Language
en
Pages
45 + app. 81
Series
Aalto University publication series DOCTORAL THESES, 70/2022
Abstract
Bayesian networks (BNs) are used in many areas to support risk management and decision-making under uncertainty. A BN represents probabilistic relationships of variables and allows to explore their interaction through various types of analyses. In applications, a lack of suitable data often necessitates that a BN is constructed at least partly based on the knowledge of a domain expert. Then, in order to manage limited time and the cognitive workload on the expert, it is vital to have efficient means to support the construction process. This Dissertation elaborates and improves so-called ranked nodes method (RNM) that is used to quantify expert views on the probabilistic relationships of variables, i.e., nodes, of a BN. RNM is designed for nodes with discrete ordinal scales. With such nodes, the relationship of a descendant node and its direct ancestors is defined in a conditional probability table (CPT) that may consist of dozens or hundreds of conditional probabilities. RNM allows the generation of the CPT based on a small number of parameters elicited from the expert. However, the effective use of RNM can be difficult due to a lack of exact guidelines concerning the parameter elicitation and other user-controlled features. Furthermore, there remains ambiguity regarding the underlying theoretical principle of RNM. In addition, a scarcity of knowledge exists on the general ability of CPTs generated with RNM to portray probabilistic relationships appearing in application areas of BNs. The Dissertation advances RNM with regard to the above shortcomings. The underlying theoretical principle of RNM is clarified and experimental verification is provided on the general practical applicability of the method. The Dissertation also presents novel approaches for the elicitation of RNM parameters. These include separate designs for nodes whose ordinal scales consist of subjective labeled states and for nodes formed by discretizing continuous scales. Two novel approaches are also presented for the discretization of continuous scales of nodes. The first one produces static discretizations that stay intact when a BN is used. The other one involves discretizations updating dynamically during the use of the BN. The theoretical and experimental insight that the Dissertation provides on RNM clears the way for its further development and helps to justify its deployment in applications. In turn, the novel elicitation and discretization approaches offer thorough and well-structured means for easier as well as more flexible and versatile utilization of RNM in applications. Consequently, the Dissertation also facilitates and promotes the effective and diverse use of BNs in various domains.

Bayes-verkkoja (BV:ja) käytetään monilla sovellusaloilla tukemaan riskienhallintaa ja päätöksentekoa epävarmuuden vallitessa. BV kuvaa muuttujien välisiä tilastollisia suhteita ja mahdollistaa niiden välisen vuorovaikutuksen tutkimisen. Käytännön sovelluksissa sopivan datan puute johtaa usein siihen, että BV rakennetaan ainakin osittain substanssiasiantuntijan tietämykseen perustuen. Tällöin rakennusprosessia on tärkeää tukea tehokkailla menetelmillä ajan säästämiseksi ja asiantuntijan liiallisen kognitiivisen kuormituksen välttämiseksi. Väitöskirjassa tutkitaan ja parannetaan ranked nodes -menetelmää (RNM), jota käytetään kvantifioimaan asiantuntijanäkemyksiä BV:n muuttujien, eli solmujen, tilastollisista suhteista. RNM on kehitetty diskreetin järjestysasteikon omaaville solmuille. Tällaisilla solmuilla jälkeläissolmun ja sen suorien edeltäjäsolmujen välinen suhde määritellään ehdollisen todennäköisyyden taulukossa (ETT), joka voi koostua kymmenistä tai sadoista ehdollisista todennäköisyyksistä. RNM mahdollistaa ETT:n generoimisen perustuen pieneen määrään parametreja, jotka asiantuntija valitsee. RNM:n tehokas käyttö voi olla kuitenkin haastavaa, koska parametrien määräämiseen ja menetelmän muihin käyttäjän päättämiin ominaisuuksiin liittyen ei ole tarjolla tarkkoja ohjeita. Lisäksi RNM:n teoreettinen periaate on epäselvä. Tiedonpuutetta on myös RNM:llä generoitujen ETT:jen yleisestä kyvystä kuvata BV:jen sovellusalueilla esiintyviä tilastollisia suhteita. Väitöskirja kehittää RNM:ää yllä mainittujen puutteiden osalta. RNM:n teoreettinen periaate selvennetään, ja menetelmän yleisestä käytännön sovellettavuudesta esitetään kokeellista vahvistusta. Väitöskirja esittelee myös uusia menettelytapoja RNM:n parametrien valitsemiseen. Näihin sisältyy erilliset mallit solmuille, joilla on subjektiivisesti nimetyt tilat, ja solmuille, jotka on muodostettu diskretoimalla jatkuvia mitta-asteikkoja. Lisäksi esitellään kaksi uutta menettelytapaa solmujen jatkuvien mitta-asteikkojen diskretoimiseen. Ensimmäinen tuottaa staattisia diskretointeja, jotka pysyvät muuttumattomina BV:a käytettäessä. Toisessa diskretoinnit päivittyvät dynaamisesti BV:n käytön aikana.Väitöskirjan tarjoama teoreettinen ja kokeellinen ymmärrys RNM:stä mahdollistaa sen jatkokehityksen ja edistää sen käyttöä sovelluksissa. Uudet menettelytavat parametrien valitsemiseen ja jatkuvien mitta-asteikkojen diskretoimiseen tarjoavat hyvin jäsenneltyjä keinoja RNM:n helpompaan, joustavampaan ja monipuolisempaan hyödyntämiseen sovelluksissa. Kokonaisuudessaan väitöskirja helpottaa ja tukee BV:jen tehokasta ja laajaa käyttöä eri sovellusaloilla.
Description
Supervising professor
Virtanen, Kai, Prof., Aalto University, Department of Mathematics and Systems Analysis, Finland
Thesis advisor
Virtanen, Kai, Prof., Aalto University, Department of Mathematics and Systems Analysis, Finland
Keywords
Bayesian networks, ranked nodes, probability elicitation, conditional probability tables, continuous node discretization, Bayes-verkot, ranked-solmut, todennäköisyyselisitaatio, ehdollisen todennäköisyyden taulukot, jatkuvien solmujen diskretointi
Other note
Parts
  • [Publication 1]: Laitila, Pekka; Virtanen, Kai. 2020. On Theoretical Principle and Practical Applicability of Ranked Nodes Method for Constructing Conditional Probability Tables of Bayesian Networks. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 50(5), 1943–1955.
    DOI: 10.1109/TSMC.2018.2792058 View at publisher
  • [Publication 2]: Laitila, Pekka; Virtanen, Kai. 2016. Improving Construction of Conditional Probability Tables for Ranked Nodes in Bayesian Networks. IEEE Transactions on Knowledge and Data Engineering, 28(7), 1691–1705.
    DOI: 10.1109/TKDE.2016.2535229 View at publisher
  • [Publication 3]: Laitila, Pekka; Virtanen, Kai. 2021. Portraying Probabilistic Relationships of Continuous Nodes in Bayesian Networks with Ranked Nodes Method. Decision Support Systems, 154, 113709, 1–15.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202202021647
    DOI: 10.1016/j.dss.2021.113709 View at publisher
  • [Publication 4]: Laitila, Pekka; Virtanen, Kai. 2021. Advancing Construction of Conditional Probability Tables of Bayesian Networks with Ranked Nodes Method. Submitted manuscript, 25 pages
Citation