Wissensgewinnung auf Bayes-Netz-Mengen

Abstract

In der DaimlerChrysler Forschung wird an verschiedenen Szenarien gearbeitet, in denen große Anzahlen von Bayes-Netzen entstehen, also graphische Modelle mit zugeordneten Wahrscheinlichkeitsverteilungen, welche schnelle und effiziente Inferenz ermöglichen. Diese Bayes-Netze stellen zentrale Bestandteile von Expertensystemen dar, die komplexe Interaktionen von unsicheren Informationen verarbeiten, beispielsweise zur Diagnose technischer Systeme. Jedes Netz beschreibt ein spezifisches System und ist durch maschinelles Lernen an dessen Eigenschaften angepasst, wie der typischen Einsatzart oder der Nutzungsgeschichte. Die so entstehende Bayes-Netz-Menge umfasst ähnliche Netze, die alle die gleiche Systemart beschreiben, sich aber aufgrund der Anpassungen in wichtigen Details unterscheiden. Das Ziel der durchgeführten Arbeit ist es nun, Wissen sowohl über diese Anpassungen zu gewinnen, wie auch über die Fakten und Umstände, die zu ihnen führten und damit über die betrachteten Systeme selbst. Dieses Wissen soll dazu dienen, die Systeme und die eingesetzten Expertensysteme zu verbessern. Dazu ist eine neue Art der Wissensgewinnung durch maschinelles Lernen nötig, die eine Menge von ähnlichen Bayes-Netzen als Eingabe nutzt und mit kontext-sensitiven Verfahren Informationen über die Netze und über Muster und Strukturen in der Bayes-Netz-Menge ableitet. Die vorgestellte Arbeit umfasst die Entwicklung der dazu nötigen Prozesse, Verfahren und Algorithmen sowie Werkzeuge (Datenbanken und Software). Die zentrale Komponente dabei ist ein mehrstufiges Lernverfahren, welches Teile von Bayes-Netzen aufspürt, die in relevanter Häufigkeit auftreten, dabei signifikante Informationen codieren, und "typisch" für eine Teilgruppe der betrachteten Systeme sind.