- •Глава 5. Иис принятия решений в условиях неопределенности ириска
- •5.1. Методы ситуационного анализа и их роль в принятии решения
- •5.2. Оценка уровня риска и байесовский подход к ее уточнению
- •Инвестиционный портфель
- •Оценка портфельного риска
- •Классификация рисков при осуществлении сделок на рынке ценных бумаг
- •Современные подходы к выбору портфеля ценных бумаг. Особенности конформного подхода
- •Примеры оптимизации
- •5.3. Подход «среднее-дисперсия». Модель Марковитца
- •Эффективная граница
- •Бета и индекс модели. Индексная модель шарпа
- •5.4. Использование дерева решений с применением формулы Байеса
- •Диаграмма влияния
- •Структуризация диаграммы влияния
- •Знание, определяющее варианты решений, доступные в q
- •5.5. Распространение уверенности в деревьях
- •Механизм распространения
Механизм распространения
Предположим, что векторы ихранятся в каждом узле сети, тогда наша задача состоит в том, чтобы определить, как влияние новой информации будет распространяться по сети, а именно, как параметры и данного узла могут быть определены из значений и их соседей. Это легко сделать путем нормирования (5.16) и (5.17) по отношению ко всем значениям переменных, которые предполагаются. Например, предположим, что Е является k-м потомком В. Чтобы вычислить k-й сомножитель в произведении (5.18) из значения (Е), мы запишем
и получим, используя (5.8) и (5.18):
Таким образом, P(Dk-/Вi) получается путем использования -вектора, хранимого в k-м потомке В, и умножения его на фиксированную матрицу условных вероятностей, которые определяют связи между В и Е. Аналогично вектор в каждом узле может быть вычислен из значений его потомков путем умножения значений компонент последнего на соответствующую матрицу связей и затем умножения результирующих векторов поэлементно, как показано в (5.18).
Каждый сомножитель P(Dk-/Bi) следует рассматривать как сообщение, отправляемое k-й вершиной-потомком В, и если отправляемое сообщение называется Е, оно будет обозначаться Е (В),
Аналогичный анализ, примененный к вектору , показывает, чтолюбого узла может быть вычислен из значения его отца (родительской вершины) и значений, ее окрестности (siblings) также путем умножения на соответствующую матрицу связи. Не требуется непосредственной связи с вершинами, входящими в окрестность, поскольку вся необходимая информация уже содержится в родительском узле для целей вычисления значений , этой вершины по формуле (5.18) и может быть направлена вниз запрашивающей вершине — потомку. Это можно показать путем нормирования (В) по всем значениям родительской вершины А:
все данные, исключающие D - (В)) =
где m изменяется по всем вершинам окрестности В. Выражение в скобках содержит параметры, доступные процессору А, и это выражение, следовательно, можно определить как сообщение в(А), которое А передает В. Таким образом
(5.20)
(5.21)
(5.22)
где
или также
Эти результаты в целом приводят к следующей схеме распространения возмущения в дереве уверенности:
Шаг 1. Когда процессор В активируется для коррекции его параметров, он одновременно проверяет в(А)-сообщения, направляемые родительской вершиной А, и сообщения 1(B), 2(В), ..., поступающие от каждого из ее дочерних вершин. Используя эти входы, он затем редактирует свои ос и л: следующим образом:
Шаг 2. вычисляется с использованием покомпонентного умножения векторов 1, 2,... .
где — нормализующая константа и в(А) — последнее сообщение, посылаемое В от родительской вершины А.
Шаг 4. Используя полученные сообщения вместе с редактируемыми значениями и , каждый процессор затем вычисляет новые - и -сообщения, отправленные в систему передачи сообщений для его сыновей и отцов соответственно.
Шаг 5. Распространение «снизу вверх». Новое сообщение в (А), которое В посылает своей родительской вершине (А) вычисляется следующим образом:
Шаг 6. Распространение «сверху вниз». Новое сообщение Е(В), которое В направляет; своему k-му сыну Е, вычисляется следующим образом:
или альтернативно.
(5.23)
Эта схема редактирования показана на рис. 5.9, где умножение любых двух векторов выполняется покомпонентно.
Разумеется, нет необходимости нормализовать -сообщения до их передачи (в действительности только сообщенияВЕL(.) требуют нормализации). Она выполняется единственно в целях сохранения вероятностного смысла этих сообщений. Дополнительная экономия может быть достигнута, если принять, что каждый узел В передает единственное сообщение BEL(B) всем своим детям, и позволить каждому ребенку (потомку) использовать формулу (5.23) для вычисления соответствующего -сообщения.
Рис. 5.9. Внутренняя структура одного процессора, производящего
редактирование уверенности для переменной В
Терминальные узлы и узлы данных в дереве требуют специального рассмотрения. Здесь мы должны различать следующие случаи:
(1) Вершины (узлы), находятся в режиме ожидания, они пока не инициированы, т.е. на них еще не поступили входные данные: для таких переменных BEL должно быть равным к и, следовательно, мы должны положить = (1,1,….1)
Узлы данных, переменные инициированы значением: следуя форму лам (5.16) и (5.17), если верно, что наблюдалось j-e состояние В, мы полагаем ==(0,...,0,1,0,...)с 1 нa j-й позиции.
Фиктивные вершины, как, например, узел В, представляющие виртуальные или выводимые (judgmental) сообщения, воздействующие на А: для них мы не определяем (В) или (В), а вместо этого направляем сообщение в(А) в узел А, где в (Аi)-k Р(наблюдение /Аi) и k — любая удобная константа.
Корневая вершина: граничные условия для корневой вершины устанавливаются приравниванием значения корневой переменной (root) = априорная вероятность значения корневой переменной.
Пример 5.2. Для иллюстрации указанных выше вычислений обратимся к примеру 5.1 и положим, что основываясь на всех данных экспертизы, наша уверенность в выборе наилучшего варианта проекта численно представлена значением (А)=(0.80,0.1,0.1). До получения какой-либо информации об идентификации категории экономических показателей узел В находится в режиме ожидания со значением (В)=( 1,1,1), что также дает В(А)- (А)=( 1,1,1) и BEL(A)= (A). (B) может быть вычислено по формуле (13) (используя в(А)= (А) и P(Bi/Aj)=0.8 если i=j), что дает
Теперь предположим, что пришли отчеты группы экспертов анализа экономических показателей (виртуальное свидетельство С) в виде сообщения с(В) = (В) = (0.80,0.60,0.50). Узел В редактирует свою уверенность следующим образом: ВЕL(В) = (В) (В) = (0,80; 0,60; 0,50)(0,66; 0,17; 0,17) =(0,738; 0,142; 0,119) и вычисляет новое сообщение в(А) для А:
По получении этого сообщения узел А полагает (А)=В(А) и пересчитывает свою уверенность по формуле:
BEL(A)= (А)(А) = (0,75; 0,61; 0,54)(0,8; 0,1; 0,1)=(0,84; 0,085; 0,076).
Теперь предположим, что поступили дополнительные данные о низком качестве проекта А1, в соответствии с которыми соотношение шансов уменьшилось с 0,8 до 0,28, что этот проект будет принят. Чтобы включить эту информацию во все ранее полученные свидетельства, мы связываем новые виртуальные вершины свидетельств Е непосредственно с А и отправляем сообщение е(А)=(0,28; 0,36; 0,36) по связи в(А) в комбинации с
и генерирует сообщение:
(5.24)
По получении в(А) процессор В редактирует свою каузальную поддержку (В) следующим образом:
и ВЕL(В) пересчитывается соответственно
ВЕL
Цель распространения уверенности сверху вниз к сенсорным узлам, таким как В, двоякая — направить стратегию сбора данных в направлении наиболее информативных сенсорных узлов и обеспечить объяснения, которые оправдывают шаги выводов в системе.
Заметьте, что BEL(A) нельзя взять равным отредактированному априорному значению в А для вычисления ВЕL(В). Другими словами, неправильно редактировать BEL(B) с использованием формулы из учебника:
(5.25)
также известной как формула Джефри, поскольку BEL(A) сама по себе подвержена воздействию информации, передаваемой от В, и, отражая эту информацию обратно к В, мы учитываем одно и то же свидетельство дважды.
На рис. 5.11 показаны 5 последовательных стадий распространения уверенности в простом бинарном дереве.
Рис 5.11. Воздействие новых данных, распространяющихся в дереве в процессе передачи сообщений
Вначале дерево находится в равновесии, все терминальные вершины находятся в режиме ожидания. Как только два узла данных активированы, рис. 5.11 -а, круглые маркеры перемещаются по их связям в направлении их родительских вершин, и квадратные черные маркеры в направлении их детей (5.11-b).
В следующей фазе родительские вершины, активированные этими маркерами, поглощают их и производят соответствующее число маркеров для своих соседей (рис. 10-с): круглые маркеры для своих родительских вершин и квадратные маркеры для детей. Связи, по которым поступают абсорбируемые маркеры, не получают новых маркеров, отражая тем самым тот факт, что на -сообщения не влияют-сообщения, поступающие по той же связи.
Корневая вершина получает теперь два круглых маркера, по одному от каждого из ее потомков. Это приводит к порождению двух квадратных маркеров в направлении «сверху вниз» (рис. 5.11-е).
Процесс продолжается таким образом, пока наконец после пяти циклов все маркеры не будут поглощены, и сеть достигнет нового состояния равновесия (рис. 5.11-d, e). Как только узлы-листья отправят маркер для своих родителей, они готовы получить новые данные, и когда это происходит, новый маркер посылается в связь, заменяя старый. Таким образом, сеть вывода может отслеживать поступающие извне данные.