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。

ベイジアンネットワークは、有向非巡回グラフ（DAG）を使用して一連の変数とその条件付き依存関係を表す、確率的グラフィカルモデルの一種です。入力を出力にマッピングするだけの「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予測モデリングや不確実性下での推論を行うことができ、データが不完全な場合や専門的なドメイン知識と統計的根拠を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。

Link to this section中心的な概念と関連性#

これらのネットワークの核心は、新しい証拠や情報が得られ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ベイズの定理です。ベイジアンネットワークでは、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ることを示します。このアーキテクチャは、説明可能なAI（XAI）にとって不可欠です。なぜなら、モデルの推論経路をユーザーが追跡でき、複雑なディープラーニングアーキテクチャでは達成が困難な透明性を提供できるためです。

これらのモデルは、厳密なリスク評価を必要とする分野で特に重要です。ベイジアンネットワークは条件付き確率分布を利用することで、他の変数について観測された証拠が与えられた場合に、特定の変数の状態に関するクエリに回答できます。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が行う関数近似とは異なります。

Link to this section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。

医療診断: ヘルスケアにおける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）と症状や検査結果（観測変数）の間の関係をモデル化する場合があります。例えば、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既往歴を把握するのに役立ちます。
産業用故障診断: 製造におけるAIにおいて、ベイジアンネットワークは異常検知や根本原因分析に不可欠です。スマートマニュファクチャリングシステムが異常な温度読み取り値を検知した場合、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、メンテナンスチームを効率的に誘導できます。

Link to this section関連概念との違い#

ベイジアンネットワークを他の統計モデルや機械学習モデルと区別することが重要です：

ナイーブベイズ分類器: これはベイジアンネットワークの簡略化された特殊なケースです。「ナイーブ（単純）」という仮定は、クラス変数が与えられたとき、すべての予測特徴量が互いに独立しているというものです。センチメント分析のようなタスクでは計算効率が良いものの、完全なベイジアンネットワークが捉えられるような複雑な相互依存関係を捉えることはできません。
マルコフ決定過程: 両者ともグラフ構造を使用しますが、MDPは主に強化学習において時系列の連続的な意思決定をモデル化するために使用されるのに対し、ベイジアンネットワークは通常、ある時点における変数間の確率的な関係に焦点を当てます。
ディープラーニングモデル（例：YOLO）: YOLO26のようなモデルは、物体検知のような高次元の知覚タスクに最適化されています。これらは生のデータ（ピクセル）から抽象的な特徴表現を学習します。対照的に、ベイジアンネットワークは構造化された変数を用いた高度な推論に適しています。

Link to this section現代のAIにおける確率的出力#

ベイジアンネットワークは明示的な因果グラフを扱いますが、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}")