← Về danh sách
AI & Dữ liệu
#베이지안네트워크#확률그래프모델#조건부독립#베이즈정리#인과추론
Cập nhật lần cuối · 2026-11-13

Mạng Bayes (Bayesian Network)

1. Tổng quan

A. Định nghĩa

Là một mô hình đồ thị xác suất (PGM, Probabilistic Graphical Model) biểu diễn quan hệ phụ thuộc và độc lập có điều kiện giữa nhiều biến ngẫu nhiên bằng đồ thị có hướng không chu trình (DAG, Directed Acyclic Graph) và gán cho mỗi biến một phân phối xác suất có điều kiện (CPD, Conditional Probability Distribution), nhờ đó phân tách (factorization) và suy diễn phân phối đồng thời (joint distribution) toàn cục một cách súc tích.

Cốt lõi của mạng Bayes là nó xử lý sự bất định một cách định lượng mà vẫn giữ cho mô hình con người đọc được. Nút là biến (ví dụ: bệnh, triệu chứng, kết quả xét nghiệm), cạnh (mũi tên) biểu thị ảnh hưởng xác suất trực tiếp, nên chuyên gia chỉ cần nhìn đồ thị là nắm ngay "yếu tố nào ảnh hưởng trực tiếp đến kết quả nào." Khác với mạng nơ-ron sâu (hộp đen) trong đó hàng triệu trọng số đan xen phi tuyến khiến khó truy vết căn cứ của quyết định về sau, cấu trúc của mạng Bayes tự nó là biểu đạt tường minh của tri thức miền, và kết quả suy diễn có thể giải thích bằng giá trị xác suất và đường đi.

Một thế mạnh quyết định khác là suy diễn hai chiều. Cùng một mô hình thực hiện suy diễn dự báo (predictive) đi từ nguyên nhân đến kết quả, và suy diễn chẩn đoán (diagnostic) cập nhật ngược xác suất của nguyên nhân từ kết quả được quan sát. Chẳng hạn, nó tính nhất quán bằng định lý Bayes không chỉ "hút thuốc làm tăng xác suất ung thư phổi bao nhiêu" mà còn "khi chụp X-quang ngực bất thường thì xác suất ung thư phổi là bao nhiêu." Vì vậy nó được dùng bền bỉ trong các lĩnh vực như chẩn đoán y khoa, chẩn đoán hỏng hóc thiết bị, đánh giá rủi ro tín dụng, nơi việc đưa ra căn cứ và ước lượng bất định được yêu cầu đồng thời.

B. Bối cảnh ra đời và sự cần thiết

Nếu lưu trực tiếp vào bảng toàn bộ phân phối đồng thời đầy đủ của một hệ gồm n biến nhị phân thì cần 2^n − 1 giá trị xác suất. Chỉ với 30 biến đã phải lưu và ước lượng hơn một tỷ giá trị, điều này bất khả thi về mặt bộ nhớ và lượng dữ liệu. Vào thập niên 1980, Judea Pearl đã chỉ ra rằng nếu nắm bắt độc lập có điều kiện (conditional independence) tồn tại giữa các biến bằng đồ thị thì có thể phân tách phân phối đồng thời thành tích các xác suất có điều kiện cục bộ của từng nút, qua đó mở ra con đường hạ độ phức tạp cấp số mũ xuống gần tuyến tính. Đây là bước ngoặt biến suy diễn trong bất định thành một "bài toán tính được."

Việc hệ chuyên gia dựa trên luật bộc lộ giới hạn vào thập niên 1980 cũng là một bối cảnh. Tổ hợp các hệ số chắc chắn (certainty factor) kiểu "IF triệu chứng THEN bệnh (độ chắc chắn 0.7)" thiếu tính nhất quán toán học, nên càng thêm luật thì kết luận càng mâu thuẫn. Mạng Bayes kết hợp bất định một cách nhất quán dựa trên các tiên đề xác suất, giải quyết tận gốc vấn đề này. Việc có thể tiếp tục suy diễn bằng cách biên hóa (marginalization) theo xác suất ngay cả khi một phần dữ liệu bị thiếu (missing) cũng là ưu điểm thực tiễn so với các mô hình tất định vốn giả định đầu vào đầy đủ.

C. Đặc trưng chính

Mạng Bayes có một số tính chất nổi bật. Thứ nhất, tính mô-đun (modularity). Vì xác suất có điều kiện của mỗi nút chỉ phụ thuộc vào cha của nút đó, nên khi một phần hệ thống thay đổi chỉ cần cập nhật bảng cục bộ liên quan, giúp bảo trì dễ dàng. Thứ hai, sự hợp nhất giữa tri thức và dữ liệu. Cấu trúc nhân quả mà chuyên gia biết được nhập trực tiếp dưới dạng đồ thị, còn xác suất của những phần chưa biết thì học từ dữ liệu, nhờ đó hai nguồn kết hợp tự nhiên trong một mô hình. Thứ ba, sự phản ánh bằng chứng theo từng bước. Vì xác suất hậu nghiệm được cập nhật (belief updating) mỗi khi có quan sát mới, nó phù hợp cho chẩn đoán trực tuyến vốn liên tục điều chỉnh phán đoán theo bằng chứng tích lũy theo thời gian thực. Những đặc trưng này tạo nền tảng cho các nguyên lý cấu trúc, suy diễn và học được trình bày sau.

2. Cấu trúc tổng thể và thành phần

Mạng Bayes được định nghĩa bằng sự kết hợp của yếu tố định tính (cấu trúc đồ thị) và yếu tố định lượng (bảng xác suất có điều kiện). Cấu trúc tạo nên bộ khung quan hệ nhân quả và phụ thuộc giữa các biến, còn bảng xác suất lấp đầy cường độ của quan hệ đó bằng con số. Dưới đây là sơ đồ cấu trúc tổng thể đơn giản hóa của ví dụ kinh điển "mạng chẩn đoán bệnh phổi."

flowchart TB
  S["Hút thuốc(Smoking)"] --> C["Ung thư phổi(Cancer)"]
  P["Ô nhiễm không khí(Pollution)"] --> C
  C --> X["X-quang ngực(X-ray bất thường)"]
  C --> D["Khó thở(Dyspnea)"]
  B["Viêm phế quản(Bronchitis)"] --> D
  S --> B
  style C fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style S fill:#fef7e0,stroke:#f9ab00

Ý nghĩa của từng thành phần trong sơ đồ trên như sau. Nút (Node) là biến ngẫu nhiên, có các trạng thái (state) như đúng, sai. Cạnh (Edge) là mũi tên hướng từ cha đến con và biểu thị ảnh hưởng xác suất trực tiếp. "Hút thuốc → Ung thư phổi" cho thấy việc hút thuốc ảnh hưởng trực tiếp đến xác suất ung thư phổi, "Ung thư phổi → X-quang ngực" cho thấy ung thư phổi ảnh hưởng đến kết quả xét nghiệm. Nút không có cha (hút thuốc, ô nhiễm không khí) được gán xác suất tiên nghiệm (prior), còn nút có cha được gán xác suất có điều kiện theo từng tổ hợp trạng thái của cha. Lý do cấu trúc nhất thiết phải không chu trình (acyclic) là vì nếu có chu trình sẽ phát sinh đệ quy không định nghĩa được kiểu "A điều kiện cho B, B lại điều kiện cho A," khiến việc phân tách phân phối đồng thời không thành lập được.

Thành phần Mô tả Vai trò
Nút (Node) Biến ngẫu nhiên (rời rạc/liên tục) Biểu diễn khái niệm miền thành biến
Cạnh (Edge) Mũi tên hướng cha→con Quan hệ phụ thuộc có điều kiện trực tiếp
Xác suất tiên nghiệm (Prior) Xác suất của nút không cha Xác suất nền của biến nguyên nhân gốc
Bảng xác suất có điều kiện (CPT) Xác suất con theo tổ hợp cha Định lượng cường độ của quan hệ

Yếu tố định lượng là CPT (Conditional Probability Table) ghi lại mỗi nút nhận mỗi trạng thái với xác suất bao nhiêu ứng với từng tổ hợp giá trị cha của nó. Ví dụ, nút "Ung thư phổi" chỉ định xác suất ung thư phổi = đúng cho mỗi trong bốn tổ hợp của các cha là hút thuốc và ô nhiễm không khí (đúng/đúng, đúng/sai, sai/đúng, sai/sai). Dưới đây là CPT đó được lấp bằng con số ví dụ.

Hút thuốc (S) Ô nhiễm (P) P(Ung thư=Đ) P(Ung thư=S)
Đúng Đúng 0.12 0.88
Đúng Sai 0.08 0.92
Sai Đúng 0.03 0.97
Sai Sai 0.01 0.99

Trong bảng trên, việc tổng xác suất mỗi hàng phải bằng 1 là ràng buộc cơ bản của một phân phối xác suất. Khi hút thuốc và ô nhiễm đều đúng thì xác suất ung thư (0.12) cao hơn nhiều so với khi cả hai đều sai (0.01), nên tri thức miền rằng hai nguyên nhân kết hợp làm tăng rủi ro được thể hiện bằng con số. Nếu một nút có k cha và mỗi biến là nhị phân thì kích thước CPT tỉ lệ với 2^k, nên nút có nhiều cha sẽ bùng nổ tham số. Vì vậy trong thực tế, CPT thường được nén bằng một phân phối chính tắc (canonical distribution) như Noisy-OR, giảm số tham số về tuyến tính dưới giả định mỗi nguyên nhân độc lập gây ra kết quả.

Phân phối đồng thời toàn cục được phân tách thành tích các xác suất có điều kiện của từng nút theo quy tắc dây chuyền (chain rule for Bayesian networks). Tức là biểu diễn bằng P(X₁,…,Xₙ) = ∏ᵢ P(Xᵢ | Parents(Xᵢ)). Trong ví dụ trên, P(S,P,C,B,X,D) = P(S)·P(P)·P(C|S,P)·P(B|S)·P(X|C)·P(D|C,B). Cốt lõi của tính kinh tế trong biểu diễn (compactness) mà mạng Bayes mang lại là: thay cho một bảng đầy đủ của tất cả các biến (2⁶−1=63 mục), có thể khôi phục toàn bộ phân phối chỉ từ bảng cục bộ nhỏ của từng nút.

3. Nguyên lý cốt lõi: Độc lập có điều kiện và d-tách

Hiệu quả suy diễn của mạng Bayes đến từ tính độc lập có điều kiện được tích hợp trong đồ thị. Quy tắc chỉ dựa vào đường đi trên đồ thị để phán định biến nào trở nên độc lập với nhau khi quan sát (điều kiện hóa) một biến nhất định là d-tách (d-separation). d-tách được giải thích bằng ba cấu trúc kết nối cơ bản.

flowchart LR
  subgraph Chain["Chuỗi(Chain) A→B→C"]
    A1["A"] --> B1["B(quan sát)"] --> C1["C"]
  end
  subgraph Fork["Phân nhánh(Fork) A←B→C"]
    B2["B(nguyên nhân chung)"] --> A2["A"]
    B2 --> C2["C"]
  end
  subgraph Collider["Va chạm(Collider) A→B←C"]
    A3["A"] --> B3["B(kết quả chung)"]
    C3["C"] --> B3
  end

Ý nghĩa mà từng cấu trúc trong sơ đồ chi tiết trên truyền tải như sau. Ở chuỗi (A→B→C) và phân nhánh (A←B→C), quan sát biến ở giữa là B khiến A và C độc lập có điều kiện. Tức là một khi đã biết nguyên nhân trung gian hoặc nguyên nhân chung, hai biến ở hai đầu không còn cung cấp thông tin về nhau. Ngược lại, ở cấu trúc va chạm (A→B←C) thì A và C thường độc lập, nhưng ngay khoảnh khắc quan sát kết quả chung B (hoặc hậu duệ của nó) thì giữa A và C "nảy sinh" một sự phụ thuộc. Điều này gọi là loại trừ bằng giải thích (explaining away). Chẳng hạn, dù ung thư phổi và viêm phế quản độc lập với nhau, nhưng khi quan sát thấy "khó thở" thì xảy ra tương tác kiểu "vì ung thư phổi đã giải thích được nên xác suất viêm phế quản giảm xuống." Nắm bắt hiện tượng phản trực giác này một cách chính xác về toán học chính là sức mạnh của mạng Bayes.

Lý do thực tiễn khiến độc lập có điều kiện quan trọng là vì nó gắn trực tiếp với chi phí suy diễn. Khi có bằng chứng quan sát, các biến trở nên độc lập có thể tách ra khỏi tính toán, nên chỉ cần tính các xác suất biên và hậu nghiệm cần thiết mà không phải trải toàn bộ phân phối. Các thuật toán suy diễn chính xác như khử biến (Variable Elimination) tận dụng tính độc lập này để tối ưu thứ tự các phép tích-tổng, và hiệu quả của chúng được quyết định bởi độ rộng cây (treewidth) của đồ thị.

Một hàm ý thực tiễn khác mà d-tách mang lại là kiểm định mô hình. Có thể kiểm định các quan hệ độc lập có điều kiện mà đồ thị hàm ý bằng dữ liệu (ví dụ: kiểm định độc lập chi-bình phương) để xem mô hình có mâu thuẫn với dữ liệu không. Chẳng hạn, khẳng định của đồ thị rằng "X-quang bất thường" và "khó thở" phải độc lập một khi đã biết ung thư phổi có thể bị bác bỏ tùy theo việc tương quan có điều kiện có còn ý nghĩa trong dữ liệu thực hay không. Nếu độc lập có điều kiện không thành lập trong dữ liệu, đó là manh mối để nghi ngờ một cạnh bị thiếu hoặc một biến gây nhiễu ẩn và thiết kế lại cấu trúc. Theo cách đó, đồ thị hoạt động không phải như một bức tranh đơn thuần, mà như một tập hợp các giả thuyết kiểm định được.

4. Các loại hình và quy trình suy diễn, học

Việc ứng dụng mạng Bayes chia rộng thành suy diễn (inference) và học (learning). Suy diễn là bài toán tìm xác suất hậu nghiệm của biến truy vấn từ bằng chứng khi mô hình đã cho, còn học là bài toán ước lượng cấu trúc và tham số từ dữ liệu.

Cơ chế của suy diễn chẩn đoán trở nên rõ ràng khi nhìn bằng một ví dụ số đơn giản. Giả sử tỉ lệ mắc của một bệnh là 1% (xác suất tiên nghiệm P(D)=0.01), độ nhạy của xét nghiệm P(dương|D)=0.9, tỉ lệ dương tính giả P(dương|¬D)=0.05. Xác suất hậu nghiệm thực sự mắc bệnh khi xét nghiệm dương tính, theo định lý Bayes, là P(D|dương) = (0.9×0.01) / (0.9×0.01 + 0.05×0.99) ≈ 0.154, tức chỉ khoảng 15%. Dù hiệu năng xét nghiệm trông có vẻ tốt, khi tỉ lệ mắc thấp thì phần lớn kết quả dương là dương tính giả — một kết quả phản trực giác — và mạng Bayes tự động phản ánh ảnh hưởng của xác suất tiên nghiệm này nên ngăn ngừa chẩn đoán quá mức. Khi số nút tăng lên, phép tính này lan truyền qua nhiều biến, và chính tại điểm đó cần đến các thuật toán suy diễn hiệu quả.

Suy diễn được phân thành suy diễn chính xác và suy diễn gần đúng. Suy diễn chính xác gồm khử biến (Variable Elimination) và cây giao (Junction Tree, Belief Propagation) vốn gom đồ thị thành cấu trúc cây và lan truyền thông điệp. Khử biến loại bỏ từng biến không liên quan đến truy vấn bằng phép tổng (summation) đồng thời tái sử dụng các kết quả trung gian (factor) để giảm tính toán trùng lặp, còn cây giao gom đồ thị thành các clique để có thể trả lời mọi truy vấn chỉ bằng một lần lan truyền. Tuy nhiên, vì suy diễn chính xác là NP-khó (NP-hard) trên đồ thị tổng quát, nó khó dùng trên thực tế khi có nhiều biến và kết nối dày đặc. Khi đó ta chuyển sang suy diễn gần đúng. Bằng lấy mẫu dựa trên Monte Carlo như lấy mẫu Gibbs (Gibbs Sampling), lấy mẫu theo trọng số quan trọng (Importance Sampling), hoặc suy diễn biến phân (Variational Inference), ta nhường một phần độ chính xác để bảo đảm khả năng tính toán. Phương pháp lấy mẫu sinh nhiều mẫu ảo từ mạng và xấp xỉ xác suất bằng tần suất của sự kiện truy vấn, nên càng tăng số mẫu càng chính xác nhưng càng tốn thời gian tương ứng. Các mạng chẩn đoán y khoa và quy trình thực tế lên tới hàng trăm nút, nên suy diễn gần đúng là chuẩn mực.

Phân loại Phương pháp Đặc điểm / Ứng dụng
Suy diễn chính xác Khử biến, cây giao Đồ thị nhỏ, thưa; hậu nghiệm chính xác
Suy diễn gần đúng Lấy mẫu Gibbs/trọng số, biến phân Đồ thị lớn, dày; ưu tiên tốc độ
Học tham số MLE, ước lượng Bayes (tiên nghiệm) Biết cấu trúc, chỉ ước lượng CPT
Học cấu trúc Tìm kiếm dựa trên điểm / ràng buộc Phát hiện chính đồ thị từ dữ liệu

Quy trình học triển khai như sau. Học tham số là bước ước lượng từng giá trị CPT khi cấu trúc đã cho; nếu dữ liệu đầy đủ thì chỉ cần đếm tần suất bằng ước lượng hợp lý cực đại (MLE), còn nếu dữ liệu thưa thì giảm nhẹ quá khớp bằng ước lượng Bayes (trung bình hậu nghiệm) kết hợp phân phối tiên nghiệm Dirichlet. Nếu có khuyết thiếu thì ước lượng lặp các biến ẩn bằng thuật toán EM (cực đại hóa kỳ vọng). Học cấu trúc là bài toán khó hơn, vì số DAG khả dĩ tăng siêu cấp số mũ theo số biến. Điều này được tìm kiếm gần đúng bằng tìm kiếm dựa trên điểm (leo đồi, v.v.) tối đa hóa một hàm điểm như BIC hay BDeu, hoặc bằng phương pháp dựa trên ràng buộc (thuật toán PC) thêm bớt cạnh thông qua kiểm định độc lập có điều kiện. Trong thực tế, thay vì dựng cấu trúc chỉ từ dữ liệu, phương thức lai cố định bộ khung bằng tri thức nhân quả của chuyên gia miền và lấp CPT từ dữ liệu là đáng tin cậy nhất.

5. So sánh với các mô hình tương tự

Để hiểu vị trí của mạng Bayes, cần nhìn các khác biệt của nó với các mô hình lân cận cùng với lý do khác biệt phát sinh. Mô hình được so sánh thường xuyên nhất là bộ phân loại Naive Bayes. Naive Bayes là một dạng đặc biệt của mạng Bayes đặt giả định mạnh rằng "mọi đặc trưng đầu vào độc lập với nhau khi biết lớp," trong đó thực chất một cha (lớp) có tất cả đặc trưng làm con. Vì giả định đơn giản nên học và suy diễn rất nhanh, nhưng vì bỏ qua sự phụ thuộc thực tế giữa các đặc trưng nên hiệu năng giảm trên dữ liệu có tương quan lớn. Mạng Bayes nới lỏng giả định độc lập này "chỉ vừa đủ cần thiết" bằng đồ thị, nên có thể điều chỉnh cân bằng giữa độ chính xác và độ phức tạp.

Mô hình Markov ẩn (HMM) và bộ lọc Kalman xử lý chuỗi thời gian có thể xem là dạng đặc biệt của mạng Bayes trong đó cùng một cấu trúc lặp lại theo trục thời gian (mạng Bayes động, DBN). Mặt khác, khi so với mạng nơ-ron sâu, mạng nơ-ron có độ chính xác dự báo áp đảo trên dữ liệu phi cấu trúc quy mô lớn (hình ảnh, âm thanh) nhưng năng lực giải thích thấp và ước lượng bất định không ổn định. Mạng Bayes có thế mạnh về năng lực giải thích, định lượng bất định và tích hợp tri thức chuyên gia trên dữ liệu có cấu trúc, quy mô nhỏ. Do đó hai bên bổ sung cho nhau chứ không cạnh tranh, và gần đây nghiên cứu kết hợp sức mạnh biểu diễn của mạng nơ-ron với năng lực diễn giải của mô hình đồ thị diễn ra sôi nổi.

Dưới đây là bản tóm tắt tính chất của ba mô hình theo các trục cốt lõi. Mỗi khác biệt bắt nguồn từ "cường độ của giả định độc lập" và "loại dữ liệu."

Trục so sánh Naive Bayes Mạng Bayes Mạng nơ-ron sâu
Giả định độc lập biến Rất mạnh (đều độc lập) Nới lỏng chọn lọc bằng đồ thị Không giả định (học tự động)
Năng lực giải thích Trung bình Cao (cấu trúc, xác suất) Thấp (hộp đen)
Dữ liệu phù hợp Có cấu trúc, nhỏ Có cấu trúc nhỏ/vừa + chuyên môn Phi cấu trúc, lớn
Ước lượng bất định Có thể Tường minh, nhất quán Cần kỹ thuật riêng

Lĩnh vực ứng dụng thực tế cũng rộng.

  • Chẩn đoán y khoa: tính xác suất hậu nghiệm của bệnh từ triệu chứng và kết quả xét nghiệm, tiếp tục suy diễn bằng bằng chứng một phần ngay cả với xét nghiệm bị thiếu.
  • Chẩn đoán hỏng hóc thiết bị (PHM): dựng mạng nhân quả giữa các tín hiệu cảm biến để truy ngược vị trí hỏng và dự báo tuổi thọ còn lại theo xác suất.
  • Đánh giá rủi ro tín dụng, gian lận: mô hình hóa cấu trúc phụ thuộc của biến giao dịch, hành vi để tính xác suất hậu nghiệm của dấu hiệu bất thường.

Một ví dụ số cụ thể: "Dự án Lumière" của Microsoft thập niên 1990 mô hình hóa hành vi người dùng bằng mạng Bayes và áp dụng vào trợ lý trợ giúp Office (Clippy), và trong lĩnh vực y khoa, hệ thống PATHFINDER mô hình hóa khoảng 60 bệnh hạch bạch huyết bằng hàng trăm nút và được báo cáo đạt độ chính xác chẩn đoán ở mức chuyên gia. Trong lĩnh vực thiết bị, mạng Bayes cũng được dùng cho chẩn đoán hỏng hóc nhà máy điện hạt nhân và máy bay, tính xác suất hậu nghiệm của vị trí hỏng chỉ từ bằng chứng một phần ngay cả khi dữ liệu cảm biến bị thiếu.

6. Chuyên sâu: Suy luận nhân quả và xu hướng mới nhất

Mạng Bayes gần đây được chú ý trở lại như nền tảng của suy luận nhân quả (Causal Inference). Đồ thị nhân quả (Causal Bayesian Network) và phép toán do (do-calculus) do Judea Pearl đề xuất tính toán trên đồ thị, vượt lên trên tương quan đơn thuần, "kết quả thay đổi thế nào khi can thiệp (intervention) vào một biến." Vì có thể nhận diện và hiệu chỉnh nhiễu gây rối (confounding) vốn khó phân biệt chỉ từ dữ liệu quan sát bằng cấu trúc đồ thị, chúng trở thành phương tiện phân tích phản thực (counterfactual) trong các quyết định chính sách, y tế nơi không thể thử nghiệm A/B. Điều này gắn trực tiếp với các thảo luận về quản trị dữ liệu và công bằng (fairness) vốn phải phân biệt rõ quan hệ tương quan với quan hệ nhân quả.

Về mặt công cụ và chuẩn, nó cũng đang trưởng thành. Trong hệ sinh thái Python, pgmpy, bnlearn (R), DoWhy và EconML của Microsoft, CausalML của Uber cung cấp học cấu trúc, tham số và ước lượng tác động nhân quả dưới dạng gói. Ngoài ra, qua sự hợp nhất với học sâu Bayes — xem trọng số hay biểu diễn trung gian của mạng nơ-ron là biến ngẫu nhiên để ước lượng bất định dự báo — và nghiên cứu học cấu trúc có LLM hỗ trợ vốn dùng các biến và quan hệ do LLM trích xuất làm cấu trúc ban đầu của đồ thị nhân quả rồi kiểm chứng, hiệu chỉnh bằng dữ liệu, lĩnh vực này đang tiến triển. Khi AI khả giải (XAI) và AI đáng tin cậy nổi lên như yêu cầu của quy định và thực tiễn, giá trị của mạng Bayes vốn cung cấp đồng thời căn cứ xác suất và tường thuật nhân quả cho kết quả lại càng có xu hướng tăng.

7. Điểm cần cân nhắc và hàm ý

Từ góc độ Kỹ sư chuyên nghiệp, việc áp dụng và vận hành mạng Bayes phải cân nhắc tổng hợp những điều sau.

  • Chiến lược kết hợp thiết kế cấu trúc với tri thức chuyên gia: Học cấu trúc dựa trên dữ liệu có thể có độ tin cậy thấp do không gian tìm kiếm siêu cấp số mũ và thiếu mẫu. Cách tiếp cận lai tri thức-dữ liệu (hybrid) cố định các cạnh cốt lõi bằng tri thức nhân quả của chuyên gia miền và hiệu chỉnh CPT cùng phần còn lại của cấu trúc bằng dữ liệu là chiến lược thực tế bảo đảm đồng thời tính nhất quán thực tiễn và năng lực giải thích.

  • Đánh đổi giữa độ phức tạp suy diễn và khả năng mở rộng: Suy diễn chính xác chậm đột ngột khi độ rộng cây của đồ thị tăng và là NP-khó trên đồ thị tổng quát. Phải chọn giữa suy diễn chính xác (khử biến, cây giao) và suy diễn gần đúng (lấy mẫu, biến phân) theo quy mô nút, cạnh và yêu cầu thời gian phản hồi, và khi cần nén CPT bằng Noisy-OR để kiểm soát đồng thời tham số và khối lượng tính toán.

  • Ảnh hưởng của chất lượng dữ liệu, khuyết thiếu và phân phối tiên nghiệm: Ước lượng CPT không ổn định ở các tổ hợp có ít mẫu. Nên làm trơn (smoothing) bằng phân phối tiên nghiệm Dirichlet và xử lý khuyết thiếu bằng EM, nhưng vì cường độ của tiên nghiệm chi phối kết quả nên phải kèm phân tích độ nhạy. Dữ liệu rác dẫn thẳng đến hậu nghiệm bị bóp méo.

  • Phân biệt tương quan với nhân quả, liên kết với công bằng và quản trị: Cạnh học được từ dữ liệu có thể là tương quan chứ không phải nhân quả. Để dùng cho phân tích can thiệp, phản thực thì phải kiểm chứng tính hợp lệ của giả định nhân quả (có kiểm soát nhiễu gây rối hay không), và có thể phơi bày trên đồ thị các đường đi giữa thuộc tính được bảo vệ và kết quả để rà soát công bằng thuật toán và trách nhiệm giải trình.

  • Công nghệ liên kết và triển vọng: Có thể mở rộng sang mạng Bayes động (chuỗi thời gian), biểu đồ ảnh hưởng (Influence Diagram, kết hợp với quyết định), học sâu Bayes và suy luận nhân quả, và khi yêu cầu về XAI, AI đáng tin cậy và quản trị dữ liệu ngày càng lớn, phạm vi ứng dụng của nó dự kiến mở rộng như một phương tiện cung cấp đồng thời căn cứ xác suất và tường thuật nhân quả.

Tài liệu tham khảo

  • Judea Pearl, "Probabilistic Reasoning in Intelligent Systems", Morgan Kaufmann, 1988
  • Daphne Koller & Nir Friedman, "Probabilistic Graphical Models", MIT Press, 2009
  • pgmpy Documentation: https://pgmpy.org/
  • Microsoft DoWhy (Causal Inference): https://www.pywhy.org/dowhy/

Tóm tắt một câu: Mạng Bayes là mô hình đồ thị xác suất biểu diễn độc lập có điều kiện giữa các biến bằng DAG và bảng xác suất có điều kiện để phân tách súc tích phân phối đồng thời, và thực hiện suy diễn hai chiều dự báo, chẩn đoán cùng phân tích nhân quả một cách khả giải.