Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
150<br />
Ganz außen vorgelassen worden, aber nicht minder interessant, ist in der<br />
vorliegenden Arbeit dabei <strong>die</strong> Frage, wie man eigentlich aus seinem möglichen<br />
Wissen um <strong>die</strong> involvierten Kausalprozesse <strong>die</strong> für <strong>die</strong> Inferenz relevanten Parameter<br />
der Fehlerstruktur ableiten kann. Für <strong>die</strong> Generierung der Modellvorhersagen<br />
ist hierfür <strong>die</strong> entsprechende Stärke der präventiven Ursache je nach <strong>Bedingung</strong><br />
auf verschiedene Werte gesetzt worden. Die Ableitung <strong>die</strong>ser Stärke aus<br />
den Kausalprozessen ist derzeit also a priori <strong>und</strong> nicht Bestandteil des Modells.<br />
Das lässt sich zwar leicht dadurch rechtfertigen, dass aus computationaler <strong>und</strong><br />
damit Modellierungssicht als erster Schritt <strong>die</strong> statistischen Inferenzen abgebildet<br />
werden müssen, <strong>die</strong> dem Schlussprozess zugr<strong>und</strong>e liegen, nur als nächster<br />
Schritt scheint es notwendig, <strong>die</strong>sen mehr qualitativen Teil des Inferenzprozesses<br />
in das Modell zu integrieren. Möglichkeiten hierfür sollen im kommenden Abschnitt<br />
skizziert werden.<br />
7.2 Ausblick<br />
Bereits in Kapitel 4 ist ausgeführt worden, das <strong>Bayes</strong>-<strong>Netze</strong> nur statistische Abhängigkeiten<br />
auf der Ebene von Ereignissen repräsentieren. In Kapitel 6, in dem<br />
das Modell auf Ereignisse mit unterschiedlichen Merkmalen erweitert worden<br />
war, traten neben <strong>die</strong>se rein statistischen Informationen auch weitere Informationen,<br />
<strong>die</strong> kausal gesehen nicht direkt relevant sind, <strong>die</strong> sich aber indirekt – z.B.<br />
über mögliche Kategorisierungen der Ereignisse – auf <strong>die</strong> statistischen Abhängigkeiten<br />
auswirken. Dies wurde im Rahmen eines hierarchischen <strong>Bayes</strong>-Ansatzes<br />
unter der Annahme modelliert, dass <strong>die</strong> durch <strong>die</strong> ursacheseitig eingeführte Fehlerquelle<br />
implizierten konditionalen Abhängigkeiten nur zwischen Effekten bestehen,<br />
<strong>die</strong> einem Cluster zugeordnet sind, <strong>und</strong> dass solche Cluster im Hinblick<br />
auf kausal relevante Merkmale der involvierten Objekte möglichst homogen<br />
sind. Die letztendliche Inferenz fand dann über alle möglichen Partitionierungen<br />
der Effekte statt, indem <strong>die</strong>se ausintegriert wurden. Ähnliche, auf der Basis von<br />
Ereignismerkmalen operierende hierarchische <strong>Bayes</strong>-Ansätze finden sich auch<br />
bereits bei Kemp, Goodman et al. (2007) sowie Kemp, Shafto, Berke <strong>und</strong><br />
Tenenbaum (2007).<br />
Das eigentliche Problem hierbei ist, dass im Prinzip nicht <strong>die</strong> Ereignisse <strong>die</strong><br />
beschriebenen Merkmale aufweisen, sondern <strong>die</strong> Objekte, <strong>die</strong> mit den Ereignis-