Bayesian Network

ベイズネットワークとその確率論的推論における役割を探求します。これらのグラフィカルモデルがどのように説明可能なAIを強化し、Ultralytics YOLO26と組み合わせられるかを学びましょう。

Bayesian Networkは、有向非巡回グラフ（DAG）を使用して変数とその条件付き依存関係のセットを表現する確率的グラフィカルモデルの一種です。入力を出力に単純にマッピングする「ブラックボックス」アルゴリズムとは異なり、これらのネットワークは異なる要因間の因果関係を明示的にモデル化します。この構造により、データサイエンティストは不確実性の中での予測モデリングや推論を実行できるようになり、データが不完全な場合や専門的なドメイン知識を統計的証拠と組み合わせる必要があるシナリオにおいて非常に効果的です。

中心的な概念と関連性#

これらのネットワークの中核にあるのは、より多くの証拠や情報が入手可能になるにつれて仮説の確率を更新するために使用される数学的公式であるBayes' theoremです。Bayesian Networkでは、ノードは症状、センサーの読み取り値、分類ラベルなどの変数を表し、エッジ（矢印）は確率的依存関係を表します。ノードAからノードBへのリンクが存在する場合、それはAがBに直接的な影響を与えていることを示します。このアーキテクチャは、ユーザーがモデルの推論パスをたどることを可能にし、複雑なディープラーニングアーキテクチャでは達成するのが難しい透明性を提供するため、説明可能なAI（XAI）にとって極めて重要です。

これらのモデルは、厳格なリスク評価を必要とする分野で特に重要です。条件付き確率分布を利用することで、Bayesian Networkは、他の変数について観測された証拠を考慮して、特定の変数の状態に関するクエリに答えることができます。確率的推論と呼ばれることが多いこのプロセスは、標準的なニューラルネットワークによって実行される関数近似とは異なります。

実社会での応用#

ベイジアンネットワークは、意思決定において複数の不確実な要因を考慮する必要がある業界で広く展開されています。

Medical Diagnostics: 医療におけるAIの領域では、これらのネットワークは臨床意思決定支援システムをサポートするために使用されます。ネットワークは、疾患（隠れ変数）と症状またはテスト結果（観測変数）の間の関係をモデル化する場合があります。たとえば、医療画像解析は特定の診断の確率を更新する証拠を提供し、医師が複雑な患者の病歴を把握するのを助けます。
Industrial Fault Diagnosis: 製造業におけるAIにおいて、Bayesian Networkは異常検知や根本原因分析に不可欠です。スマート製造システムが異常な温度読み取り値を検出した場合、ネットワークはさまざまな機械コンポーネントの故障の事後確率を計算し、保守チームを効率的に導きます。

現代のAIにおける確率的出力#

Bayesian Networkが明示的な因果グラフを扱う一方で、現代のディープラーニングモデルも確実性を反映する確率的な信頼度スコアを出力します。Ultralytics Platformのようなツールを使用してカスタムデータセットでモデルをトレーニングする場合、これらの確率を理解することがモデルのパフォーマンスを解釈するための鍵となります。

以下のPythonコードは、事前トレーニング済みのモデルを使用して分類タスクの確率分布（信頼度）にアクセスする方法を示しています。これは、現代の推論ワークフローにおいて確実性がどのように定量化されるかを示すものです。

from ultralytics import YOLO

# Load the YOLO26n-cls classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
# This returns a results object containing probability data
results = model("https://ultralytics.com/images/bus.jpg")

# Iterate through results to display class probability
for result in results:
    # Access the 'probs' attribute for classification probabilities
    top_class_index = result.probs.top1
    confidence = result.probs.top1conf
    print(f"Predicted Class Index: {top_class_index}, Confidence: {confidence:.4f}")