Eliminaci n de variables para diagramas de influencia con nodos super valor
Download
1 / 47

Eliminación de variables para diagramas de influencia con nodos super valor - PowerPoint PPT Presentation


  • 108 Views
  • Uploaded on

Eliminación de variables para diagramas de influencia con nodos super valor. Manuel Luque Gallego Proyecto Elvira II San Sebastián 19-21 de Mayo de 2004. Índice. Introducción Problema Eliminación de variables para DI con nodos SV Ejemplo de evaluación Conclusiones

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Eliminación de variables para diagramas de influencia con nodos super valor' - janine


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
Eliminaci n de variables para diagramas de influencia con nodos super valor

Eliminación de variables para diagramas de influencia con nodos super valor

Manuel Luque Gallego

Proyecto Elvira II

San Sebastián

19-21 de Mayo de 2004


Ndice
Índice nodos super valor

  • Introducción

  • Problema

  • Eliminación de variables para DI con nodos SV

  • Ejemplo de evaluación

  • Conclusiones

  • Perspectivas futuras y Elvira


Introducci n
Introducción nodos super valor

  • Diagramas de influencia

    • Comunicación entre analistas de decisiones y expertos

    • Evaluación directa

    • Representación compacta de la estructura probabilista

    • Éxito en ámbitos médicos


Introducci n1
Introducción nodos super valor

  • Problema médico: Carcinoma pulmonar no microcítico


Introducci n2
Introducción nodos super valor

  • Evaluación de DI:

    MEU = C0 maxD1 C1 maxD2 ... maxDn Cn p(C|D)V

    • Eliminación Ci: 

    • Eliminación Di: max

    • Secuencia de eliminación legal según <.

  • Separabilidad

    • Aplicar operadores a parte de nuestra función de valor

    • Reducción de la dimensionalidad de las operaciones

    • Aparición en los DI de los nodos super-valor


Introducci n3
Introducción nodos super valor

  • Explotación de la separabilidad de la función de utilidad en el problema del carcinoma pulmonar no microcítico


Problema planteado
Problema planteado nodos super valor

  • Posibilidades de evaluación

    • Opción A: Algoritmos para DI sin nodos SV

    • Opción B: Algoritmo de Tatman y Shachter para DI con nodos SV

  • Opción A: (Eliminación de variables para DI)

    • Ventaja: Eficiencia del algoritmo para DI

    • Inconvenientes:

      • Pérdida de la separabilidad de la función de valor

      • Determinación de las variables requeridas


Problema planteado1
Problema planteado nodos super valor

  • Inconvenientes de la opción A

    • Pérdida de la separabilidad de la función de valor

      • Suma (o producto) implícita de los nodos de valor

      • Potenciales de utilidad de mayor tamaño


Problema planteado2
Problema planteado nodos super valor

  • Inconvenientes de la opción A

    • Determinación de las variables requeridas

      • Eliminación según orden total  Eliminar A

      • Eliminación de A une V1 y V2


Problema planteado3
Problema planteado nodos super valor

  • Inconvenientes de la opción A

    • DI tras la eliminación de A  Aparecen como requeridas variables que no lo eran (en este caso B)


Problema planteado4
Problema planteado nodos super valor

  • Opción B: (Algoritmo de Tatman y Shachter)

    • Ventaja: Conservación de la separabilidad de la función de valor

    • Inconvenientes:

      • Ineficiencia de la inversión de arcos

      • Pronta destrucción de la estructura de nodos super-valor en algunos casos

      • Determinación de las variables requeridas


Problema planteado5
Problema planteado nodos super valor

  • Inconvenientes de la opción B

    • Ineficiencia de la inversión de arcos


Problema planteado6
Problema planteado nodos super valor

  • Inconvenientes de la opción B

    • Pronta destrucción de la estructura de nodos super-valor


Problema planteado7
Problema planteado nodos super valor

  • Inconvenientes de la opción B

    • Tras eliminar A y proceder a eliminar D ésta requerirá B, cuando no debería


Eliminaci n de variables para di con nodos sv
Eliminación de variables para DI con nodos SV nodos super valor

  • Objetivos

    • Eliminar la necesidad de invertir arcos

    • Mantener el máximo tiempo posible la separabilidad de la función de valor

    • Mejora en la determinación de las variables requeridas

      • Potenciales de utilidad de menor tamaño

      • Mejora en la explicación del razonamiento


Eliminaci n de variables para di con nodos sv1
Eliminación de variables para DI con nodos SV nodos super valor

  • Planteamiento del problema: Evaluación

    MEU = C0 maxD1 C1 maxD2 ... maxDn Cn p(C|D)V

    • Eliminación Ci: 

    • Eliminación Di: max

    • Secuencia de eliminación legal según <.

  • Matriz: p(C|D)V

  • V puede presentar + y * anidados


Eliminaci n de variables para di con nodos sv2
Eliminación de variables para DI con nodos SV nodos super valor

  • Ejemplo

  • MEU = B maxD AΦ1(A) Φ2(B) (U1(A)+(U2(A, D)*U3(B)))

  • Matriz: Φ1(A) Φ2(B) (U1(A)+(U2(A, D)*U3(B)))

  • Eliminar A

    • Sacar factor común Φ2(B)

    • Dificultad de análisis con esta representación

  • Representación unívoca de la matriz a través de un árbol


Eliminaci n de variables para di con nodos sv3
Eliminación de variables para DI con nodos SV nodos super valor

  • Representación en árbol

    • Dos tipos de nodos en el árbol

      • Operandos: Potenciales de probabilidad y de utilidad

      • Operadores: + y *

    • La raíz del árbol inicial siempre es un *

      • Hijos de la raíz son los potenciales de probabilidad y la estructura de nodos de valor


Eliminaci n de variables para di con nodos sv4
Eliminación de variables para DI con nodos SV nodos super valor

  • Evaluación

    • Eliminación de variables se traduce en transformaciones sobre el árbol

    • Dificultad:

      • Estudio de las transformaciones lícitas a realizar sobre el árbol

      • Estudio de la aplicación de los operadores A y maxD al árbol


Eliminaci n de variables para di con nodos sv5
Eliminación de variables para DI con nodos SV nodos super valor

  • Operaciones lícitas a realizar sobre el árbol

    • Operaciones de compactación

      • Secuencia de operadores del mismo tipo


Eliminaci n de variables para di con nodos sv6
Eliminación de variables para DI con nodos SV nodos super valor

  • Operaciones lícitas a realizar sobre el árbol

    • Operaciones de compactación

      • Reducción de nodos operadores con hijos operandos hoja


Eliminaci n de variables para di con nodos sv7
Eliminación de variables para DI con nodos SV nodos super valor

  • Operaciones lícitas a realizar sobre el árbol

    • Aplicación de la propiedad distributiva

  • Son transformaciones de equivalencia aplicables en cualquier subárbol


Eliminaci n de variables para di con nodos sv8
Eliminación de variables para DI con nodos SV nodos super valor

  • Eliminación de A aleatoria

    • Comportamiento de Acon el +

      A [Φ1 + Φ2]=

      AΦ1 + AΦ2

    • La aplicación del operador A a un árbol + supone aplicarlo a cada uno de sus hijos


Eliminaci n de variables para di con nodos sv9
Eliminación de variables para DI con nodos SV nodos super valor

  • Eliminación de A aleatoria

    • Aplicación del operador A a los potenciales hoja  Marginalizar el potencial en A

    • Comportamiento de Acon el *, si Φ1no depende de A y Φ2sí depende de A

      A [Φ1 * Φ2] = Φ1 AΦ2


Eliminaci n de variables para di con nodos sv10
Eliminación de variables para DI con nodos SV nodos super valor

  • Problema de la eliminación de A aleatoria con el *

    • Necesidad de que sólo una rama del * dependa de A para poder aplicar recursivamente el operador A


Eliminaci n de variables para di con nodos sv11
Eliminación de variables para DI con nodos SV nodos super valor

  • Resolución del problema de la eliminación de A aleatoria con el *

    • Suposición de árbol factorizado  Hijos de * son + o bien potenciales hoja gracias a la aplicacación de las propiedades de compactación

    • Objetivo: Reducción del número de ramas dependientes de A en los *

    • Reducción del número de ramas dependientes de A a través de la compactación de potenciales hoja hijos de * dependientes de A


Eliminaci n de variables para di con nodos sv12
Eliminación de variables para DI con nodos SV nodos super valor

  • Resolución del problema de la eliminación de A aleatoria con el *

    • Reducción del número de ramas dependientes de A a través de la aplicación de la propiedad distributiva entre ellas


Eliminaci n de variables para di con nodos sv13
Eliminación de variables para DI con nodos SV nodos super valor

  • Árbol obtenido tras aplicar la propiedad distributiva


Eliminaci n de variables para di con nodos sv14
Eliminación de variables para DI con nodos SV nodos super valor

  • Propiedad distributiva en la resolución del problema de la eliminación de A aleatoria con el *

    • Decidir qué * distribuir y respecto a qué dos ramas

    • Optimizaciones:

      • Distribuir siempre los * de mayor profundidad en el árbol

      • Realizar todas las compactaciones posibles antes de distribuir y tras distribuir

    • Justificación de las optimizaciones:

      • Son cálculos que aunque se pospongan siempre habrá que realizarlos

      • Posponerlos puede llevar a tener que repetirlos en varias partes del árbol


Eliminaci n de variables para di con nodos sv15
Eliminación de variables para DI con nodos SV nodos super valor

  • Ejemplo de por qué no se ha de posponer la compactación

    • Desarrollamos sólo un sumando en producto de sumas para preservar al máximo la estructura


Eliminaci n de variables para di con nodos sv16
Eliminación de variables para DI con nodos SV nodos super valor

  • Ejemplo tras aplicar distributiva


Eliminaci n de variables para di con nodos sv17
Eliminación de variables para DI con nodos SV nodos super valor

  • Eliminación de D decisión

    • Aplicación del operador maxD a los potenciales hoja  Marginalizar el potencial en D

    • Comportamiento del maxD con un operador (+ ó *) :

      maxD[Φ1op Φ2]= Φ1 op maxDΦ2

      si Φ1no depende de A y Φ2sí depende de A

    • Sólo se puede aplicar recursivamente el operador maxDsi hay una sola rama dependiente de D

    • Unir todas las ramas dependientes de D en una sola, reducirla en un potencial hoja y aplicar el operador maxD


Eliminaci n de variables para di con nodos sv18
Eliminación de variables para DI con nodos SV nodos super valor

  • Ejemplo de eliminación de decisión (I)


Eliminaci n de variables para di con nodos sv19
Eliminación de variables para DI con nodos SV nodos super valor

  • Ejemplo de eliminación de decisión (II)


Eliminaci n de variables para di con nodos sv20
Eliminación de variables para DI con nodos SV nodos super valor

  • Ejemplo de eliminación de decisión (III)


Eliminaci n de variables para di con nodos sv21
Eliminación de variables para DI con nodos SV nodos super valor

  • Ejemplo de eliminación de decisión cuando más de una rama depende de la decisión


Eliminaci n de variables para di con nodos sv22
Eliminación de variables para DI con nodos SV nodos super valor

  • Ejemplo de eliminación de decisión cuando más de una rama depende de la decisión

    • Necesidad de reducir las ramas dependientes a una sola


Eliminaci n de variables para di con nodos sv23
Eliminación de variables para DI con nodos SV nodos super valor

  • Procedimiento general

    • Determinar el orden de eliminación de variables

    • Construir el árbol equivalente a la matriz y factorizarlo

    • MIENTRAS queden variables por eliminar

      • Sea X la variable a eliminar

      • SI X es variable aleatoria

        • Aplicar sucesivamente el proceso de compactar hojas y distribuir * en relación a X hasta que no queden nodos * que distribuir

        • Marginalizar en A en las hojas del árbol dependientes de A

      • Si X es decisión

        • Determinar el menor subárbol que abarque todas las ramas dependientes de D

        • Reducir a una hoja dicho subárbol

        • Maximizar en D dicho potencial hoja

  • FIN MIENTRAS

  • Corrección y terminación del algoritmo


  • Ejemplo de evaluaci n
    Ejemplo de evaluación nodos super valor

    • MEU = B maxD AΦ1(A) Φ2(B) (U1(A)+(U2(A, D)*U3(B)))

    • Matriz: Φ1(A) Φ2(B) (U1(A)+(U2(A, D)*U3(B)))


    Ejemplo de evaluaci n1
    Ejemplo de evaluación nodos super valor

    • Eliminar A

      • Aplicar distributiva en el nodo raíz (único a distribuir)


    Ejemplo de evaluaci n2
    Ejemplo de evaluación nodos super valor

    • Eliminar A

      • Compactar tras distribuir

      • Marginalizar en las hojas


    Ejemplo de evaluaci n3
    Ejemplo de evaluación nodos super valor

    • Eliminar D

      • Reducir subárbol con más de una rama


    Ejemplo de evaluaci n4
    Ejemplo de evaluación nodos super valor

    • Eliminar D

      • No ha sido necesario reducir ningún subárbol

      • La estrategia óptima para D no ha dependido de B


    Ejemplo de evaluaci n5
    Ejemplo de evaluación nodos super valor

    • Eliminar B

      • Aplicar distributiva en el único nodo a distribuir (raíz)


    Ejemplo de evaluaci n6
    Ejemplo de evaluación nodos super valor

    • Eliminar B

      • Compactar tras distribuir

      • Marginalizar en las hojas


    Conclusiones
    Conclusiones nodos super valor

    • Se ha evitado la carga computacional de la inversión de arcos

    • La separabilidad de la función de valor se preserva el máximo tiempo posible

      • Realiza una menor destrucción de la estructura de nodos de valor que el algoritmo de Tatman y Shachter

      • Sólo aplica la distributividad cuando es necesario y a las ramas imprescindibles

      • Potenciales de un tamaño menor durante la evaluación

    • Mejora en la determinación de las variables requeridas

      • No es necesario “eliminar redundancia” antes de comenzar la evaluación

      • Variables requeridas para cada decisión son en el peor caso las mismas que con el algoritmo de Tatman y Shachter y un subconjunto en otros casos (ver ejemplo)

      • Lo mismo le sucede respecto al algoritmo de eliminación de variables de Jensen “tradicional”


    Perspectivas futuras y elvira
    Perspectivas futuras y Elvira nodos super valor

    • Situación actual de la “eliminación de redundancia” en Elvira

      • Realizada antes de la evaluación a través del algoritmo de Faguiouli y Zaffalon

      • Método de eliminación de variables de Jensen “tradicional” con unión de los nodos de utilidad

    • En este momento DI con nodos SV son evaluados con algoritmos para DI sin nodos SV (ReductionAndEvalID)

    • Incorporación del algoritmo propuesto a Elvira (VariableEliminationSV)

    • Estudio de mejoras en la aplicación de la distributividad

      • Selección de las ramas a distribuir

      • Reestructuración previa de las ramas antes de distribuir para conseguir mayor factorización tras ella (agrupar ramas no dependientes de la variable a eliminar)

    • En la implementación el árbol se transforma en grafo dirigido para conseguir un ahorro en memoria tras distribuir (el ahorro en tiempo ya lo daba la compactación) al compartir subárboles


    ad