Knowledge acquisition from human experts for building bayesian network models

• Autorzy: Oniśko A.

Warianty tytułu

PL

Pozyskiwanie wiedzy od ekspertów w budowaniu modeli sieci bayesowskich

• Języki publikacji: EN

Abstrakty

EN

Knowledge acquisition from experts is a costly and time-consuming task. While domain experts have the necessary knowledge and expertise, they rarely have the experience needed to translate this knowledge into the model. This paper describes typical problems that are encountered by knowledge engineers when building Bayesian network models and illustrates some practical techniques to overcome them. The presented examples capture the problems that occurred during elicitation the numerical parameters of the model for diagnosis of liver disorders.

PL

Pozyskiwanie wiedzy od ekspertów jest kosztownym i czasochłonnym zadaniem. Pomimo ogromnej wiedzy i doświadczenia, jakie posiadają eksperci, niejednokrotnie nie potrafią ich przenieść na tworzony model. Poniższy artykuł opisuje przykłady problemów, z jakimi może się zetknąć inżynier wiedzy w trakcie budowania modeli sieci bayesowskich, jak również proponuje rozwiązania tych problemów. Prezentowane przykłady dotyczą problemów, jakie pojawiły się w trakcie pozyskiwania od eksperta parametrów numerycznych modelu sieci bayesowskiej do diagnozowania chorób wątroby.

Słowa kluczowe

EN

knowledge acquisition; Bayesian network; parameter elicitation

PL

pozyskiwanie wiedzy; inżynieria wiedzy; sieci bayesowskie

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Zeszyty Naukowe Politechniki Białostockiej. Informatyka
• Rocznik: 2007
• Tom: Z. 2
• Strony: 109--119
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Oniśko A.

• Politechnika Białostocka, Wydział Informatyki, Białystok

Bibliografia

• [1] Marek J. Druzdzel and Linda C. van der Gaag. Elicitation of probabilities for belief networks: Combining qualitative and quantitative information. In Proceedings of the Eleventh Annual Conference on Uncertainty in Artificial Intelligence (UAI-95), pages 141-148, San Francisco, CA, 1995. Morgan Kaufmann Publishers, Inc.
• [2] Marek J. Druzdzel and Linda C. van der Gaag. Building probabilistic networks: “Where do the numbers come from?” guest editors' introduction. IEEE Transactions on Knowledge and Data Engineering, 12(4):481-486, 2000.
• [3] Marek J. Druzdzel and F. Javier Díez. Combining knowledge from different sources in causal probabilistic models. Journal of Machine Learning Research, 4:295-316, 2003.
• [4] Linda van der Gaag, Silja Renooij, Cilia Witteman, Berthe Aleman, and Babs Taal. How to Elicit Many Probabilities, In Proceedings of the Fifteenth Annual Conference on Uncertainty in Artificial Intelligence (UAI-99), Morgan Kaufmann Publishers, San Francisco, CA, 1999, 647-654.
• [5] J. Hampton, P. Moore, and H. Thomas. Subjective probability and its measurements. Journal of the Royal Statistical Society, 21-42, 1973.
• [6] Max Henrion. Some practical issues in constructing belief networks. W L.N. Kanal, T.S. Levitt, and J.F. Lemmer, editors, Uncertainty in Artificial Intelligence 3, 161-173. Elsevier Science Publishers B.V., North Holland. 1989.
• [7] Daniel Kahneman, Paul Slovic, and Amos Tversky. Judgment Under Uncertainty: Heuristics and Biases, Cambridge University Press, Cambridge, 1982.
• [8] R. Duncan Luce and Howard Raiffa. Games and Decisions: Introduction and Critical Survey. Dover Publications, 1989.
• [9] Stefano Monti and Giuseppe Carenini. Dealing with the expert inconsistency in probability elicitation. IEEE on Knowledge and data engineering, 12(4):499-508, 2000.
• [10] M. Granger Morgan and Max Henrion. Uncertainty: A Guide to Dealing with Uncertainty in Quantitative Risk and Policy Analysis, Cambridge University Press, Cambridge, 1990.
• [11] Agnieszka Oniśko, Marek J. Druzdzel, and Hanna Wasyluk. Learning Bayesian network parameters from small data sets: Application of Noisy-OR gates. International Journal of Approximate Reasoning, 27(2):165-182, 2001.
• [12] Agnieszka Oniśko. Probabilistic Causal Models in Medicine: Application to Diagnosis of Liver Disorders. Ph.D. dissertation, Institute of Biocybernetics and Biomedical Engineering, Polish Academy of Science, Warsaw, April 2003.
• [13] J. Pearl. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann Publishers, Inc., San Mateo, CA. 1988.
• [14] L. Savage. The foundations of statistics. Wiley, New York, 1954.
• [15] J. Spiegelhalter, David, C. G. Franklin, Rodney, and Kate Bull. Assessment, criticism and improvement of imprecise subjective probabilities for a medical expert systems. Uncertainty in Artificial Intelligence 5, pages 285-294. Elsevier Science Publishers B.V., North Holland, 1990.
• [16] http://www.ia.uned.es/~elvira
• [17] http://genie.sis.pitt.edu