Синтез структур байесовской сети доверия для оценки характеристик рискованного поведения


https://doi.org/10.15217/issnl684-8853.2018.1.116

Полный текст:


Аннотация

Постановка проблемы: необходимость оценивания параметров поведения (как индивидуального, так и на уровне популяции) возникает в различных областях социологических, психологических, эпидемиологических, маркетинговых исследований, исследований безопасности. Однако прямая оценка интенсивности рискованного поведения не всегда доступна, как следствие, требуется развитие косвенных методов оценки. Ранее был предложен подход к моделированию рискованного поведения на основе байесовской сети доверия по данным о нескольких последних эпизодах такого поведения, но для практического применения необходимы изменения этой модели в целях снижения ее зависимости от первоначальных предположений экспертов о взаимосвязях между элементами модели. Цель: предложить модификацию модели, которая не требует задания структуры экспертами; провести сравнение этой модели с первоначальной. Методы: для проверки модели разработана программа, генерирующая тестовые данные в соответствии с теоретическими предположениями модели. Для построения структуры байесовской сети доверия по сгенерированным данным использован алгоритм оптимизации меры качества сети Hill-Climbing с мерой качества Bayesian Information Criterion. Результаты: предложено развитие подхода к построению модели рискованного поведения на основе байесовской сети доверия по совокупности наблюдений, включающей сведения об эпизодах такого поведения. Проведено сравнение двух структур такой модели: предложенной экспертами и построенной автоматически по данным. В то время как формальные меры качества показывают преимущество автоматически обученной структуры, качество предсказания лучше у модели с экспертно заданной структурой. Таким образом, для решения практических задач можно использовать любую из предложенных моделей; выбор может быть обусловлен условием конкретной задачи.

Об авторах

Алёна Владимировна Суворова
Санкт-Петербургский институт информатики и автоматизации РАН
Россия


Александр Львович Тулупьев
Санкт-Петербургский институт информатики и автоматизации РАН; Санкт-Петербургскийгосударственныйуниверситет
Россия


Список литературы

1. Азаров А. А., Тулупьева Т. В., Фильченков А. А., Ту-лупьев А. Л. Вероятностно-реляционный подход к представлению модели комплекса «информационная система - персонал - критичные документы» // Тр. СПИИРАН. 2012. Вып. 1(20). С. 57-71. doi:10. 15622/sp.20.3

2. Афанасьев И. В. Возможности математического моделирования поведения аудитории с помощью динамических математических моделей // Актуальные проблемы современной науки. 2006. № 4. С. 212-218.

3. Leigh B. C., Stall R. Substance use and Risky Sexual Behavior for Exposure to HIV: Issues in Methodology, Interpretation, and Prevention // American Psychologist. 1993. Vol. 48(10). P. 1035.

4. Varghese B., Maher J. E., Peterman T. A., Branson B. M., Steketee R. W. Reducing the Risk of Sexual HIV Transmission: Quantifying the Per-act Risk for HIV on the Basis of Choice of Partner, Sex Act, and Condom use // Sexually Transmitted Diseases. 2002. Vol. 29(1). P. 38-43.

5. Lemelin C., Lussier Y., Sabourin S., Brassard A., Naud C. Risky Sexual Behaviours: The Role of Substance use, Psychopathic Traits, and Attachment Insecurity Among Adolescents and Young Adults in Quebec // The Canadian Journal of Human Sexuality. 2014. Vol. 23(3). P. 189-199. doi:0.3138/cjhs.2625

6. Bolger N., Davis A., Rafaeli E. Diary Methods: Capturing Life as it is Lived // Annual Review of Psychology. 2003. Vol. 54(1). P. 579-616. doi:10.1146/annurev. psych.54.101601.145030

7. Graham C. A., Catania J. A., Brand R., Duong T., Canchola J. A. Recalling Sexual Behavior: A Methodological Analysis of Memory Recall Bias via Interview using the Diary as the Gold Standard // Journal of Sex Research. 2003. Vol. 40(4). P. 325-332. doi:10.1080/ 00224490209552198

8. Суворова А. В. Моделирование социально-значимого поведения по сверхмалой неполной совокупности наблюдений // Информационно-измерительные и управляющие системы. 2013. Т. 11. № 9. С. 34-37.

9. Тулупьев А. Л., Николенко С. И., Сироткин А. В. Байесовские сети: логико-вероятностный подход. - СПб.: Наука, 2006. - 607 с.

10. Neapolitan R. E. Learning Bayesian Networks. - Pearson Prentice Hall, 2003. - 674 p.

11. Pearl J. Causality: Models, Reasoning, and Inference. - Cambridge: Cambridge University Press, 2000. - 400 p.

12. Constantinou A. C., Fenton N., Marsh W., Radlinski L. From Complex Questionnaire and Interviewing Data to Intelligent Bayesian Network Models for Medical Decision Support // Artificial Intelligence in Medicine. 2016. P. 75-93. doi:10.1016/j.artmed.2016.01.002

13. Du Y., Guo Y. Evidence Reasoning Method for Constructing Conditional Probability Tables in a Bayesian Network of Multimorbidity // Technology and Health Care. 2015. Vol. 23(s1). P. S161-S167. doi:10.3233/thc-150950

14. Mkrtchyan L., Podofillini L., Dang V. N. Bayesian Belief Networks for Human Reliability Analysis: A Review of Applications and Gaps // Reliability Engineering & System Safety. 2015. Vol. 139. P. 1-16. doi:10.1016/j.ress.2015.02.006

15. Trucco P., Cango E., Ruggeri F., Grande O. A Bayesian Belief Network Modelling of Organisational Factors in Risk Analysis: A Case Study in Maritime Transportation // Engineering and System Safety. 2008. Vol. 93. P. 845-856. doi: 10.1016/j.ress.2007.03.035

16. Тулупьева Т. В., Пащенко А. Е., Тулупьев А. Л., Красносельских Т. В., Казакова О. С. Модели ВИЧ-рискованного поведения в контексте психологической защиты и других адаптивных стилей. - СПб.: Наука, 2008. - 140 с.

17. Suvorova A., Tulupyeva T. Bayesian Belief Networks in Risky Behavior Modelling // Advances in Intelligent Systems and Computing. 2016. Vol. 451. P. 95102. doi:10.1007/978-3-319-33816-3_10

18. R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna, Austria. http://www.R-project. org/ (дата обращения: 20.10.2016).

19. Scutari M. Learning Bayesian Networks with the Bn-learn R Package // arXiv preprint. arXiv:0908.3817. 2009.

20. Frigyik B. A., Kapila A., Gupta M. R. Introduction to the Dirichlet Distribution and Related Processes. UWEE Tech. Rep. UWEETR-2010-0006. - Washington: UWEE, 2010. - 27 p.

21. Суворова А. В., Тулупьев А. Л., Сироткин А. В. Байесовские сети доверия в задачах оценивания интенсивности рискованного поведения // Нечеткие системы и мягкие вычисления. 2014. № 2. С. 115-129.


Дополнительные файлы

Для цитирования: Суворова А.В., Тулупьев А.Л. Синтез структур байесовской сети доверия для оценки характеристик рискованного поведения. Информационно-управляющие системы. 2018;(1):116-122. https://doi.org/10.15217/issnl684-8853.2018.1.116

For citation: Suvorova A.V., Tulupyev A.L. Bayesian Belief Network Structure Synthesis for Risky Behavior Rate Estimation. Information and Control Systems. 2018;(1):116-122. (In Russ.) https://doi.org/10.15217/issnl684-8853.2018.1.116

Просмотров: 53


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)