Home / ベイジアンネットワークとは｜不確実な事象の関係を構造化し、確率的に推論する思考法

ベイジアンネットワークとは｜不確実な事象の関係を構造化し、確率的に推論する思考法

ベイジアンネットワーク（Bayesian Network）は、複数の事象や変数の間に存在する依存関係をグラフで表現し、確率を使って推論するための数理モデルです。ベイジアン信念ネットワーク（Bayesian Belief Network：BBN）とも呼ばれ、人工知能、故障診断、医療診断、リスク分析、意思決定支援など、さまざまな分野で利用されてきました。

私たちは日常的に、不確実な情報をもとに判断しています。「市場が拡大すれば新製品が成功する可能性が高まる」「設備の異常が検出された場合、特定の部品が故障しているかもしれない」「事業の売上が伸びなければ、固定費の負担が経営を圧迫する」といった判断です。しかし、複数の条件が関係すると、直感だけでそれらの可能性を整合的に評価することは困難になります。

ベイジアンネットワークは、こうした判断を構造化し、条件が変化したときに各事象の確率がどのように変わるかを計算できるようにします。重要なのは、必ずしも大量のデータから統計モデルを学習する必要がないことです。専門家や利用者が、自分の知識と経験をもとにネットワーク構造と確率を設定してモデルを構築することもできます。

このため、ベイジアンネットワークは予測や診断のための分析技術であると同時に、自分が何を知っていて、どのような仮定に基づいて判断しているのかを明らかにする思考支援手法でもあります。

ベイジアンネットワークの基本構造

ベイジアンネットワークは、ノード（Node）、リンク（Edge）、条件付き確率表（Conditional Probability Table：CPT）の3つの要素から構成されます。

ノードは「需要が増加する」「設備が故障する」「事業が成功する」といった事象や変数を表します。それぞれのノードには、例えば「発生する／発生しない」「高い／中程度／低い」といった状態を定義します。

リンクはノード間の直接的な確率依存関係を表します。AからBに矢印が引かれている場合、Bの確率分布はAの状態に依存するものとして定義されます。ただし、矢印があるだけでAがBの原因であると証明されたことにはなりません。

条件付き確率表は、親ノードの状態に応じて、子ノードが各状態になる確率を定義します。親ノードを持たない変数には、事前確率を設定します。

例えば、設備故障について「部品の劣化」と「過負荷」が「設備故障」に影響するモデルを考えます。

  • 部品の劣化 → 設備故障
  • 過負荷 → 設備故障

ここでは、設備故障の発生確率が、部品の劣化と過負荷の組み合わせによって変化すると考えます。

ベイジアンネットワークは、有向非巡回グラフ（Directed Acyclic Graph：DAG）によって構成されます。A→B→C→Aのように矢印をたどって元のノードへ戻る循環は許されません。この制約によって、各ノードの条件付き確率を組み合わせ、ネットワーク全体の整合的な同時確率分布を定義できます。

確率分布は、次のように表現されます。

P(X₁, …, Xₙ) = ∏ P(Xᵢ | Parents(Xᵢ))

これは、全変数の同時確率分布を、各ノードの局所的な条件付き確率の積として表せるという意味です。変数間の条件付き独立性を利用することで、巨大な同時確率表を直接作成せずに確率モデルを構成できます。

具体例：設備故障の原因を推論する

先ほどの設備故障モデルで、部品が劣化している事前確率を20%、過負荷が発生している事前確率を10%と仮定します。ここでは、両者は事前には独立しているものとします。

設備故障の条件付き確率表を次のように設定します。

部品の劣化過負荷設備故障の確率
なしなし1%
ありなし50%
なしあり60%
ありあり90%

これらの値は説明のための仮定です。実際には、過去の故障データや専門家の判断から設定します。

このネットワークから設備が故障する確率を計算すると、16.32%となります。

では、実際に設備故障が発生したことが分かった場合、部品が劣化している確率はどのように変化するでしょうか。

ベイズの定理に従って計算すると、次のようになります。

P(部品劣化あり | 設備故障あり) ≈ 66.2%

当初20%と考えていた部品劣化の確率が、設備故障という情報によって約66%に上昇しました。

さらに、故障時に過負荷が発生していたことも確認されたとします。

P(部品劣化あり | 設備故障あり, 過負荷あり) ≈ 27.3%

部品劣化の可能性は約27%まで低下します。過負荷という別の要因によって故障を説明できるため、部品劣化の可能性を以前ほど高く評価する必要がなくなったのです。

この現象は、Explaining Away（説明による確率の低下）と呼ばれます。複数の原因候補が存在する場合、一方の原因に関する情報が、もう一方の原因の確率に影響するという現象です。

このように、ベイジアンネットワークでは、原因から結果を予測するだけでなく、結果から原因を推論したり、新しい情報を得るたびに確率を更新したりできます。

ベイジアンネットワークによる推論

ベイジアンネットワークでは、主に次のような推論を行います。

予測的推論（Predictive Reasoning） は、原因側の情報から結果の確率を求めるものです。例えば、設備の部品劣化が進んだ場合に故障確率がどの程度上昇するかを計算します。

診断的推論（Diagnostic Reasoning） は、観測された結果から原因となる可能性を推論するものです。設備が故障した場合、複数の原因候補の確率を計算できます。

複数の証拠を組み合わせた推論 では、観測された事象を順次追加し、それに応じて関係する変数の確率分布を更新します。例えば、故障の発生、異常振動、温度上昇などの情報を追加することで、原因候補の評価が変化します。

このような推論は、リンクの方向に沿った計算だけではありません。ネットワーク全体の確率的な依存関係を利用するため、直接接続されていないノードについても、新しい証拠によって確率が変化する場合があります。

確率推論のための代表的な計算方法の一つが、ジャンクションツリー（Junction Tree）アルゴリズムです。

ジャンクションツリーでは、元のネットワークを確率計算に適したクリークの木構造へ変換し、その間で確率情報を伝播させます。適切に実行すれば、ネットワークの厳密な周辺確率や条件付き確率を求めることができます。

ただし、ネットワークが複雑になると計算量が急増する場合があります。特に重要なのはノード数だけではなく、複数の変数が強く結びついて形成されるクリークの規模です。

大規模なモデルでは、サンプリングやLoopy Belief Propagationなどの近似推論法が利用されることもあります。なお、Loopy Belief Propagationはループを含む因子グラフ上で反復的に確率を計算する方法であり、通常のベイジアンネットワークに有向の因果循環を直接導入する手法ではありません。

データを使わずにモデルを構築する

ベイジアンネットワークには、データからネットワーク構造や条件付き確率を学習する方法もあります。しかし、思考支援という観点からは、ユーザー自身が構造と確率を設定する方法にも大きな意味があります。

例えば、新規事業への投資を検討する場合、「市場需要」「競争環境」「技術的実現可能性」「開発費」「販売成功」「事業収益」といった変数を設定できます。

最初に検討するのは、どの変数がどの変数と直接的な関係を持つかという問題です。単に項目を列挙するのではなく、変数間の依存関係を考えること自体が、事業構造の理解につながります。

次に、各変数の状態と条件付き確率を設定します。例えば、市場需要が高く、競争が弱い場合には販売成功確率が70%、市場需要が低く、競争が強い場合には10%といった仮定を置きます。

これらの値が客観的な統計データから得られたものでなくても、モデルによる計算は可能です。ただし、計算結果はあくまでも設定された仮定に基づくものであり、現実の確率を保証するものではありません。

この方法の価値は、自分の判断を数値として明示し、矛盾や不自然な部分を検討できることです。例えば、技術的実現可能性が低い場合でも販売成功確率を高く設定しているなら、その判断の根拠を確認する必要があるでしょう。

また、確率を少し変更しただけで結論が大きく変わるなら、その部分は重要な不確実性であり、追加調査の対象になります。

このように、ベイジアンネットワークは答えを自動的に導く道具というだけでなく、自分の判断を検証可能なモデルに変えるための道具として利用できます。

他の分析手法との違い

ベイジアンネットワークと似た目的に利用される手法として、回帰分析、決定木、AHP、因果ループ図などがあります。しかし、それぞれが扱う問題は異なります。

回帰分析は、説明変数と目的変数の関係を数式で表し、変数の変化による予測値の変化などを分析します。交互作用項を導入すれば、ある変数の効果が別の変数の値によって変化する関係も表現できます。ベイジアンネットワークでも、複数の親ノードを持つ条件付き確率表によって、こうした相互作用を表現できます。

決定木は、条件分岐によって分類や予測を行います。これに対してベイジアンネットワークは、複数の確率変数の同時分布をモデル化するため、目的変数を固定せず、異なるノードを推論対象として利用できます。

AHP（階層分析法）は、評価基準の重要度や選択肢の優先順位を求める意思決定手法です。一方、ベイジアンネットワークは、不確実な事象の関係と、それらが発生する確率を扱います。AHPで算出する重要度や評価得点と、ベイジアンネットワークの確率は同じ意味ではありません。

因果ループ図は、変数間の影響関係とフィードバック構造を整理するための方法です。ベイジアンネットワークは非巡回グラフであるため、同じ時点における循環的な関係をそのまま表現することはできません。ただし、Dynamic Bayesian Network（動的ベイジアンネットワーク）では、変数を時間方向に展開することで、時間を通じたフィードバックをモデル化できます。

これらの手法には、それぞれ異なる目的と強みがあります。問題の構造、利用できるデータ、判断したい内容に応じて選択することが重要です。

ベイジアンネットワークの限界と注意点

ベイジアンネットワークは数学的に整合した確率推論を実行できますが、モデルの妥当性まで保証するものではありません。

まず、ネットワーク構造に誤りがあれば、重要な依存関係が見落とされたり、実際には存在しない独立性が仮定されたりする可能性があります。確率表が誤っていれば、その値に基づく推論結果も現実から乖離します。

また、親ノードの数が増えると条件付き確率表が急速に大きくなります。例えば、すべて二値の親ノードが5つあれば、親の状態の組み合わせは32通りになります。モデルを大きくしすぎると、専門家による確率設定自体が困難になります。

確率的依存関係と因果関係の区別にも注意が必要です。ベイジアンネットワークの矢印は、通常の確率モデルでは直接的な依存関係を表すものであり、それだけで因果関係が確認されたわけではありません。

ある変数を観測することと、その変数に意図的に介入して値を変更することも異なります。例えば「売上が高い企業の利益率」と「施策によって売上を高めた場合の利益率」は、同じとは限りません。介入の効果を分析するためには、因果的な仮定を明確にしたモデルが必要です。

そして、主観的な確率に基づくモデルでは、感度分析が重要になります。入力確率に幅を持たせ、計算結果がどの程度変化するかを調べることで、判断が特定の仮定にどれほど依存しているかを確認できます。

ベイジアンネットワークと意思決定

ベイジアンネットワークは、将来の事象が発生する確率や、観測情報に基づく原因の可能性を計算できます。しかし、それだけで最善の選択肢が決まるわけではありません。

例えば、新規事業Aの成功確率が70%、事業Bの成功確率が40%だったとしても、必ずAを選ぶべきとは限りません。Bは成功時の利益が非常に大きいかもしれませんし、失敗した場合の損失が小さいかもしれません。

このような意思決定を扱うために、ベイジアンネットワークを拡張したインフルエンスダイアグラム（Influence Diagram）があります。これは確率変数に加えて、選択可能な行動を表す意思決定ノードと、結果の価値を表す効用ノードを持つモデルです。

インフルエンスダイアグラムでは、不確実な条件の下で、それぞれの意思決定によって得られる期待効用を比較できます。

この考え方は、新規事業への投資、研究開発テーマの選択、設備投資、リスク対策などに応用できます。さらにAHPや多基準意思決定分析で扱う評価基準とも関連しますが、評価基準の重要度、事象の発生確率、結果の効用は明確に区別して扱う必要があります。

AI時代のベイジアンネットワーク

LLMの発展によって、ベイジアンネットワークの構築にも新しい可能性が生まれています。

従来、モデルを作成するには、専門家が変数を特定し、関係を整理し、確率を設定する必要がありました。LLMを利用すれば、問題を自然言語で説明するだけで、関連する変数や依存関係の候補を提案させることができます。

例えば、「新規事業の成功可能性を分析したい」と入力すると、LLMが市場需要、開発能力、販売チャネル、競争環境、資金調達などの候補を挙げ、それらの関係をネットワークの草案として提示することが考えられます。

さらに、過去の調査資料や専門文献を参照して、確率設定の根拠となる情報を探索することもできます。

ただし、LLMが提案したネットワーク構造や確率が妥当であるとは限りません。特に確率値については、LLMがもっともらしい数値を生成しても、それが統計的に裏付けられているとは限らないため、ユーザーによる確認が必要です。

望ましい役割分担は、LLMがモデルの構築や情報収集を支援し、確率推論そのものは専用の数理エンジンで行うことです。

このようにすれば、LLMによる柔軟な問題理解と、確率モデルによる明示的で再現可能な推論を組み合わせられます。

ThinkNaviにおけるベイジアンネットワーク

ThinkNaviでは、ベイジアンネットワークを、不確実な条件下で問題を整理し、判断の前提を検証するための思考支援手法として位置づけます。

ThinkNavi Freeでは、利用者がノード、リンク、状態、条件付き確率表を手入力し、確率推論を実行できるツールを開発対象としています。大量の学習データを必要とせず、自分の経験や専門知識をモデルとして表現できることが特徴です。

想定する基本機能は、ネットワークの視覚的な編集、確率表の設定、観測情報に基づく事後確率の計算、条件変更による結果の比較、分析モデルのローカル保存などです。

LLM活用版では、自然言語からの変数・依存関係の候補生成、確率設定のための情報収集、モデルの前提条件や矛盾の検討などを支援する方向が考えられます。

ベイジアンネットワークを利用することで、必ず正しい予測が得られるわけではありません。しかし、曖昧だった判断を構造化し、確率の仮定を明らかにし、新しい情報によって結論がどのように変化するかを確認できます。

重要なのは、コンピュータに判断を任せることではなく、人間が自分の判断の仕組みを理解し、必要に応じて修正できるようにすることです。 ベイジアンネットワークは、そのための有力な数理的思考支援手法の一つです。

関連する思考技法：

参考文献・資料