Suppose that we are interested in modeling for a random vector $\bf{X}$ and that we are given a set of Bayesian network models, $\cal{G}_1, \cdots, \cal{G}_m$, for subvectors of $\bf{X}$ each of which share some variables with at least one of the other models. Under the assumption that the model of $\bf{X}$ is a Bayesian network (BN) model, we propose an approach of searching for model structures of $\bf{X}$ based on the given Bayesian network models.
We first examined the relationship between a BN model and its marginal model and then applied the result to combining BN models. Suppose we combine two BN models A main route of the process consists of three operations; uniting, checking node-separateness, and checking marginalization. Uniting puts the two BNs into one BN by connecting nodes that are not separated in any one of the two BNs, and in the remaining two operations, we check if there exist any edges that are in conflict with the inter-relationships of the variables that lie in each of the two BNs. This process is illustrated through examples.
이 논문에서는 베이지안 네트워크 모델을 결합하기 위한 접근 방법을 제시하였다. 주변 베이지안 네트워크 모델들을 결합 할 때, 두 모델이 서로 공유하고 있는 변수의 수를 생각 해 볼 필요가 있다. 주변 베이지안 네트워크 모델들이 공유하고 있는 변수는 최적의 결합 모델 구조를 만드는데 도로 표지와 같은 역할을 함으로, 공유하고 있는 변수가 많을 수록 모델 결합 과정은 간단해 진다.
두 예제에서는 실제 모델을 가정하였다. 그러나 현실에서는 실제 모델을 알 수 없고, 다루기 쉬운 변수들이나 다른 출처의 데이터의 부분 집합으로부터 전개된 주변 베이지안 네트워크 모델들만 알 수 있다. 단지 주변 베이지안 모델들만 제시되어도, 나머지로부터 고립된 모델이 없는 한, 결합 모델 결과를 얻기 위해 제안된 결합 접근법을 적용 할 수 있다. 결합된 베이지안 네트워크 모형은 다양할 수 있다. 이런 경우 데이터가 이용 가능 하면, 불확실성이 높은 변수들의 주변 베이지안 네트워크 모델들을 추가로 개발하여서 가장 적합한 모델 구조를 찾는 과정에서 불확실성 제거에 사용한다.
제안된 접근법의 핵심은 베이지안 네트워크 모델과 주변 모델 사이의 관계이다. 두 변수가 공유하고 있는 부모 변수 중에서 몇 개의 변수를 주변화 했을 때, 두 변수는 인과 관계 보다는 연관된 것으로 표현(점선)된다. 이와 같이 결합 모델이 베이지안 네트워크 모델이고, 주변 베이지안 네트워크 모델이 점선을 포함하고 있으면, 적어도 두 개의 자식 변수를 가지고 있는 주변화된 부모 변수가 적어도 하나가 있다는 것을 의미한다. 관계에 대해 더 연구 하여 결합 과정을 효율적으로 향상 시킬 수 있다.
