استدلال در شرایط عدم قطعیت
استدلال در شرایط عدم قطعیت بخشی از هوش مصنوعی است که از نظریه احتمال و تصمیم برای نتیجهگیری و تصمیمگیری در مواقعی که دانش ناقص، نویزدار یا تنها تا حدی قابل مشاهده است، استفاده میکند.
Definition
استدلال در شرایط عدم قطعیت، دانش ناقص یک عامل را به عنوان توزیعهای احتمالی نشان میدهد و از طریق قوانین احتمال و حداکثرسازی مطلوبیت مورد انتظار، آنچه را که باید باور داشت و چگونه باید عمل کرد، محاسبه میکند.
Scope
این حوزه شامل نمایش دانش نامطمئن با احتمال و روشهای استدلال و تصمیمگیری در این شرایط است: مدلهای گرافیکی احتمالی مانند شبکههای بیزی، استنتاج احتمالی دقیق و تقریبی، نظریه تصمیم که احتمالات را با مطلوبیتها ترکیب میکند، و تصمیمگیری متوالی از طریق فرآیندهای تصمیم مارکوف. این حوزه به چگونگی بهروزرسانی درجات باور با شواهد و نحوه محاسبه انتخابهای منطقی میپردازد. تخمین دادهمحور این مدلها و یادگیری تقویتی سیاستها، به زیرشاخه یادگیری ماشین تعلق دارد؛ این حوزه بر نمایشها و اصول استنتاج و تصمیمگیری تأکید دارد.
Sub-topics
Core questions
- درجات باور چگونه نمایش داده میشوند و با رسیدن شواهد جدید چگونه بهروزرسانی میشوند؟
- چگونه میتوان توزیعهای مشترک بزرگ را با استفاده از استقلال شرطی به صورت فشرده نمایش داد؟
- احتمال یک پرسش در یک مدل احتمالی چگونه دقیق یا تقریبی محاسبه میشود؟
- احتمالات چگونه با ترجیحات ترکیب میشوند تا اقداماتی انتخاب شوند که مطلوبیت مورد انتظار را به حداکثر برسانند؟
Key concepts
- احتمال به عنوان درجه باور
- قاعده بیز
- استقلال شرطی
- شبکههای بیزی
- استنتاج دقیق و تقریبی
- مطلوبیت و مطلوبیت مورد انتظار
- نظریه تصمیم
- فرآیندهای تصمیم مارکوف
Key theories
- بهروزرسانی بیزی
- قاعده بیز چگونگی بازنگری درجه باور پیشین به پسین را با توجه به شواهد مشخص میکند و مبنای هنجاری برای استدلال احتمالی و ترکیب دانش پیشزمینه با مشاهدات را فراهم میآورد.
- مدلهای گرافیکی و استقلال شرطی
- شبکههای بیزی و مارکوف از استقلال شرطی برای تجزیه یک توزیع مشترک به مؤلفههای محلی بهره میبرند، که هم نمایش و هم استنتاج را برای مسائلی که در غیر این صورت به صورت نمایی بزرگ بودند، قابل حل میسازد.
- حداکثر مطلوبیت مورد انتظار
- نظریه تصمیم بیان میدارد که یک عامل منطقی باید عملی را انتخاب کند که مطلوبیت مورد انتظار را به حداکثر میرساند، و باور احتمالی را با ترجیحات نسبت به نتایج یکپارچه میکند و از طریق فرآیندهای تصمیم مارکوف به تصمیمات متوالی گسترش مییابد.
Clinical relevance
استدلال احتمالی زیربنای سیستمهای تشخیص پزشکی، تشخیص خطا و ادغام حسگرها، پردازش گفتار و زبان، رباتیک و مکانیابی، تحلیل ریسک، و سیستمهای توصیه و پشتیبانی تصمیم است، در هر جایی که باید از اطلاعات ناقص یا نویزدار نتیجهگیری و انتخابهایی صورت گیرد.
History
هوش مصنوعی اولیه نسبت به احتمال بدبین بود و عوامل اطمینان موقت را ترجیح میداد، اما کار پرل در دهه 1980، که در کتاب سال 1988 او به اوج رسید، نشان داد که شبکههای بیزی استدلال احتمالی را هم از نظر مبنایی مستحکم و هم از نظر محاسباتی عملی میسازند. روشهای نظریه تصمیم و مدلهای گرافیکی، که در متونی مانند کولر و فریدمن (2009) تثبیت شدند، به بخش مرکزی هوش مصنوعی مدرن تبدیل گشتند.
Debates
- احتمال در مقابل فرمالیسمهای جایگزین عدم قطعیت
- از لحاظ تاریخی، هوش مصنوعی در مورد اینکه آیا عدم قطعیت را با احتمال مدلسازی کند یا با جایگزینهایی مانند عوامل اطمینان، منطق فازی، یا توابع باور دمپستر-شیفر بحث میکرد؛ دیدگاه احتمالی و نظریه تصمیم عمدتاً به دلیل مبانی مستحکم و قابلیت حلپذیری که مدلهای گرافیکی فراهم میکردند، غالب شد.
Key figures
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
Related topics
Seminal works
- pearl1986
- pearl1988
- koller2009
Frequently asked questions
- چرا برای دانش نامطمئن به جای منطق از احتمال استفاده کنیم؟
- منطق صریح، گزارهها را مجبور به درست یا غلط بودن میکند، که در مواقعی که دانش ناقص یا شواهد جزئی هستند، ناخوشایند است. احتمال درجات باور را به صورت درجهبندی شده نمایش میدهد و قوانین اصولی مانند قاعده بیز را برای بهروزرسانی آنها با شواهد فراهم میکند، که آن را برای استدلال در شرایط عدم قطعیت بسیار مناسب میسازد.
- چه چیزی شبکههای بیزی را برای این حوزه مهم میکند؟
- یک توزیع مشترک کامل بر روی بسیاری از متغیرها به طور نجومی بزرگ است، اما شبکههای بیزی از استقلال شرطی برای نمایش فشرده آن به عنوان یک گراف با توزیعهای شرطی محلی استفاده میکنند. این امر هم ذخیرهسازی مدل و هم محاسبه پرسشهای احتمالی را عملی میسازد، به همین دلیل آنها سنگ بنای استدلال در شرایط عدم قطعیت هستند.