不確実性下での推論
不確実性下での推論は、知識が不完全、ノイズが多い、または部分的にしか観測できない場合に、確率と決定理論を用いて結論を導き出し、意思決定を行う人工知能の一部です。
PaperMindでテーマを探す近日公開Find papers & topics
Tools & resources
Learn & explore
動画近日公開
Definition
不確実性下での推論は、エージェントの不完全な知識を確率分布として表現し、確率の法則と期待効用の最大化を通じて、何を信じ、どのように行動すべきかを計算します。
Scope
この分野は、不確実な知識を確率で表現する方法と、それに基づいて推論し決定する方法を扱います。具体的には、ベイジアンネットワークなどの確率的グラフィカルモデル、厳密および近似的な確率的推論、確率と効用を組み合わせた決定理論、マルコフ決定過程による逐次的意思決定などが含まれます。信念の度合いが証拠によってどのように更新され、合理的な選択がどのように計算されるかを扱います。これらのモデルのデータ駆動型推定と、方策の強化学習は機械学習のサブフィールドに属しますが、この分野では表現、推論、決定の原理が重視されます。
Sub-topics
Core questions
- 新しい証拠が到着したとき、信念の度合いはどのように表現され、更新されるのでしょうか？
- 条件付き独立性を用いて、大規模な同時分布をどのようにコンパクトに表現できるのでしょうか？
- 確率モデルにおいて、クエリの確率は厳密に、または近似的にどのように計算されるのでしょうか？
- 期待効用を最大化する行動を選択するために、確率は選好とどのように組み合わされるのでしょうか？
Key concepts
- 信念の度合いとしての確率
- ベイズの定理
- 条件付き独立性
- ベイジアンネットワーク
- 厳密および近似推論
- 効用と期待効用
- 決定理論
- マルコフ決定過程
Key theories
- ベイズ更新
- ベイズの定理は、事前信念の度合いが証拠に基づいて事後信念にどのように改訂されるかを規定し、確率的推論と背景知識と観測結果を組み合わせるための規範的な基礎を提供します。
- グラフィカルモデルと条件付き独立性
- ベイジアンネットワークとマルコフネットワークは、条件付き独立性を利用して同時分布を局所的なコンポーネントに因数分解し、そうでなければ指数関数的に大きくなる問題に対して、表現と推論の両方を扱いやすくします。
- 最大期待効用
- 決定理論は、合理的なエージェントは期待効用を最大化する行動を選択すべきであると主張し、確率的信念と結果に対する選好を統合し、マルコフ決定過程を通じて逐次的意思決定に拡張します。
Clinical relevance
確率的推論は、医療診断システム、故障診断とセンサー融合、音声および言語処理、ロボット工学と位置特定、リスク分析、推奨および意思決定支援システムなど、不完全またはノイズの多い情報から結論と選択を行わなければならないあらゆる場面の基盤となります。
History
初期のAIは確率に対して懐疑的で、アドホックな確信度を好んでいましたが、パールが1980年代に行った研究（1988年の著書で集大成）により、ベイジアンネットワークが確率的推論を理論的に確立し、計算上も実現可能にすることが示されました。コラーとフリードマン（2009）などのテキストで統合された決定理論的およびグラフィカルモデルの手法は、現代AIの中心となりました。
Debates
- 確率と代替の不確実性形式論
- 歴史的に、AIは不確実性を確率でモデル化すべきか、確信度、ファジィ論理、デンプスター・シェーファーの信念関数などの代替手段でモデル化すべきか議論してきました。確率的、決定理論的な見解が支配的になったのは、その確固たる基礎と、グラフィカルモデルによってもたらされる扱いやすさによるところが大きいとされています。
Key figures
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
Related topics
Seminal works
- pearl1986
- pearl1988
- koller2009
Frequently asked questions
- 不確実な知識に対して、論理ではなく確率を用いるのはなぜですか？
- 厳密な論理は、命題を真または偽に強制しますが、知識が不完全であったり、証拠が部分的であったりする場合には不便です。確率は、段階的な信念の度合いを表現し、ベイズの定理のような原則に基づいたルールを提供して、証拠に基づいてそれらを更新するため、不確実性下での推論に非常に適しています。
- ベイジアンネットワークがこの分野で重要であるのはなぜですか？
- 多くの変数にわたる完全な同時分布は天文学的に巨大ですが、ベイジアンネットワークは条件付き独立性を用いて、それを局所的な条件付き分布を持つグラフとしてコンパクトに表現します。これにより、モデルの保存と確率的クエリの計算の両方が実現可能になり、不確実性下での推論の基礎となっています。