Bayesian Network

Ein Bayesian Network (Bayes'sches Netz) ist ein gerichteter, azyklischer Graph, der kausale und probabilistische Beziehungen zwischen Variablen modelliert. Es gehört zur klassischen KI und war vor dem Deep-Learning-Boom das bevorzugte Werkzeug für Unsicherheitsmodellierung.

Die Struktur besteht aus Knoten (Variablen) und Kanten (kausale oder statistische Abhängigkeiten). Jeder Knoten hat eine bedingte Wahrscheinlichkeitstabelle, die seine Abhängigkeit von den Elternknoten quantifiziert. Ein medizinisches Netz könnte die Beziehung zwischen Rauchen, Lungenkrebs und Husten modellieren: Rauchen erhöht die Wahrscheinlichkeit von Lungenkrebs, Lungenkrebs erhöht die Wahrscheinlichkeit von Husten.

Der große Vorteil gegenüber neuronalen Netzen: Transparenz. Ein Bayesian Network zeigt explizit, welche Variablen welche anderen beeinflussen. Die Schlussfolgerungen sind nachvollziehbar, und das System kann mit unvollständigen Daten umgehen (durch Marginalisierung).

Judea Pearl, der für seine Arbeiten zu kausaler Inferenz und Bayesian Networks 2011 den Turing Award erhielt, argumentiert, dass neuronale Netze trotz ihrer Leistungsknur nicht wirklich „verstehen", weil sie kein kausales Modell der Welt aufbauen.

In der Praxis werden Bayesian Networks in der medizinischen Diagnostik, Risikobewertung und Fehleranalyse eingesetzt. In der reinen Vorhersageleistung bei großen Datenmengen sind sie Deep Learning unterlegen — aber wo Erklärbarkeit, Kausalverständnis und kleine Datenmengen gefragt sind, bleiben sie überlegen.