Kausales Denken, Bayes-Netze und die Markov-Bedingung

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