Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
60<br />
darauf aufbauend um eine Noisy-OR-Verknüpfung mit der generativen Hintergr<strong>und</strong>ursache<br />
von E (siehe hierzu Cheng, 1997; Glymour, 1998; Griffiths &<br />
Tenenbaum, 2005). Die bedingte Wahrscheinlichkeit eines Effekts lässt sich damit<br />
in einer Wahrscheinlichkeitstabelle darstellen (siehe Tabelle 4).<br />
4.2 Ableitung des Basismodells<br />
Im Folgenden wird <strong>die</strong> Zielinferenz, <strong>die</strong> den Experimenten in Kapitel 3 zugr<strong>und</strong>e<br />
liegt, bayesianisch abgeleitet. Die Darstellung beschränkt sich aus Gründen der<br />
Übersichtlichkeit auf <strong>die</strong> zentralen Ableitungsschritte. Eine ausführliche Ableitung<br />
findet sich in Anhang D.<br />
Ausgangspunkt für <strong>die</strong> Modellierung ist also <strong>die</strong> Zielfrage, <strong>die</strong> <strong>die</strong> Versuchsperson<br />
in den Experimenten zu beantworten hatte, mithin <strong>die</strong> Beurteilung der<br />
Wahrscheinlichkeit der Anwesenheit des nicht beobachteten Effekts E n gegeben<br />
des Status der gemeinsamen Ursache C <strong>und</strong> der anderen beobachteten Effekte,<br />
E 1 , …, E n-1 :<br />
(5)<br />
Der Parametervektor ω stellt hierbei das abstrakte Vorwissen bzw. <strong>die</strong> Annahmen<br />
der Versuchsperson über <strong>die</strong> kausale Domäne dar. Mathematisch gesehen<br />
handelt es sich um einen Vektor von Hyperparametern, also den Parametern<br />
der verschiedenen A-priori-Verteilungen der Parameter des repräsentierten kausalen<br />
Systems, denn Vorwissen wird in computationalen <strong>Bayes</strong>-Modellen i.d.R.<br />
nicht als Punktschätzer beschrieben (z.B. eine Kausalstärke von .7), sondern als<br />
Wahrscheinlichkeitsverteilungen über <strong>die</strong> interessierenden Parameter (also z.B.<br />
eine Betaverteilung über <strong>die</strong> Kausalstärke mit den Hyperparametern α <strong>und</strong> β),<br />
um nicht nur den Wert an sich, sondern auch <strong>die</strong> an ihm haftende Unsicherheit<br />
abzubilden. Die genauen Parameter des kausalen Systems sind dem kognitiven<br />
System schließlich immer unbekannt.<br />
Um mit den Parametern dennoch rechnen zu können, führen wir sie in das<br />
Modell ein <strong>und</strong> integrieren sie aus 30 :<br />
30 Da der Parametervektor w aus fünf Komponenten besteht, handelt es sich bei dem Integral<br />
eigentlich um ein Fünffachintegral. Weil der Parametervektor in der folgenden Ableitung jedoch<br />
nicht aufgelöst wird, also immer über den Vektor w integriert wird, soll das Doppelintegralzeichen<br />
andeuten, dass es sich um ein Mehrfachintegral handelt.