불확실성 하에서의 추론
불확실성 하에서의 추론은 지식이 불완전하거나, 잡음이 많거나, 부분적으로만 관측 가능할 때 결론을 도출하고 의사결정을 내리기 위해 확률 및 의사결정 이론을 사용하는 인공지능의 한 분야입니다.
Definition
불확실성 하에서의 추론은 에이전트의 불완전한 지식을 확률 분포로 표현하고, 확률 법칙과 기대 효용 극대화를 통해 무엇을 믿고 어떻게 행동할지 계산합니다.
Scope
이 분야는 확률을 이용한 불확실한 지식의 표현과 그 하에서의 추론 및 의사결정 방법을 다룹니다. 여기에는 베이즈 네트워크와 같은 확률적 그래픽 모델, 정확하고 근사적인 확률적 추론, 확률과 효용을 결합한 의사결정 이론, 마르코프 의사결정 과정을 통한 순차적 의사결정이 포함됩니다. 이는 증거에 따라 신념의 정도가 어떻게 업데이트되고 합리적인 선택이 어떻게 계산되는지를 다룹니다. 이러한 모델의 데이터 기반 추정 및 정책의 강화 학습은 기계 학습 하위 분야에 속하며, 이 분야는 표현, 추론 및 의사결정 원칙을 강조합니다.
Sub-topics
Core questions
- 새로운 증거가 도착함에 따라 신념의 정도는 어떻게 표현되고 업데이트되는가?
- 조건부 독립성을 사용하여 대규모 결합 분포를 어떻게 간결하게 표현할 수 있는가?
- 확률 모델에서 쿼리의 확률은 정확하게 또는 근사적으로 어떻게 계산되는가?
- 기대 효용을 극대화하는 행동을 선택하기 위해 확률이 선호도와 어떻게 결합되는가?
Key concepts
- 신념의 정도로서의 확률
- 베이즈 정리
- 조건부 독립성
- 베이즈 네트워크
- 정확하고 근사적인 추론
- 효용 및 기대 효용
- 의사결정 이론
- 마르코프 의사결정 과정
Key theories
- 베이즈 업데이트
- 베이즈 정리는 사전 신념의 정도가 주어진 증거에 따라 사후 신념으로 어떻게 수정되는지를 규정하며, 확률적 추론 및 배경 지식과 관찰을 결합하는 규범적 기반을 제공합니다.
- 그래픽 모델 및 조건부 독립성
- 베이즈 및 마르코프 네트워크는 조건부 독립성을 활용하여 결합 분포를 지역 구성 요소로 분해함으로써, 그렇지 않으면 기하급수적으로 커질 문제에 대해 표현과 추론을 모두 다룰 수 있게 합니다.
- 최대 기대 효용
- 의사결정 이론은 합리적인 에이전트가 기대 효용을 극대화하는 행동을 선택해야 한다고 주장하며, 확률적 신념을 결과에 대한 선호도와 통합하고 마르코프 의사결정 과정을 통해 순차적 의사결정으로 확장합니다.
Clinical relevance
확률적 추론은 의료 진단 시스템, 고장 진단 및 센서 융합, 음성 및 언어 처리, 로봇 공학 및 위치 파악, 위험 분석, 추천 및 의사결정 지원 시스템 등 불완전하거나 잡음이 있는 정보로부터 결론과 선택을 내려야 하는 모든 곳에서 기반이 됩니다.
History
초기 인공지능은 확률에 대해 회의적이었고, 임시방편적인 확실성 요인(certainty factors)을 선호했지만, 1980년대 펄(Pearl)의 연구는 1988년 그의 저서에서 절정을 이루며 베이즈 네트워크가 확률적 추론을 잘 정립되고 계산적으로 실현 가능하게 만들었음을 보여주었습니다. 콜러(Koller)와 프리드먼(Friedman) (2009)과 같은 교재에서 통합된 의사결정 이론 및 그래픽 모델 방법은 현대 인공지능의 핵심이 되었습니다.
Debates
- 확률 대 대체 불확실성 형식론
- 역사적으로 인공지능은 불확실성을 확률로 모델링할 것인지, 아니면 확실성 요인, 퍼지 논리 또는 뎀스터-셰이퍼 신념 함수와 같은 대안으로 모델링할 것인지에 대해 논쟁했습니다. 확률적, 의사결정 이론적 관점은 주로 그 견고한 기반과 그래픽 모델이 제공하는 다루기 쉬움(tractability) 때문에 지배적이 되었습니다.
Key figures
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
Related topics
Seminal works
- pearl1986
- pearl1988
- koller2009
Frequently asked questions
- 불확실한 지식에 논리 대신 확률을 사용하는 이유는 무엇입니까?
- 엄격한 논리는 진술이 참 또는 거짓이어야 한다고 강제하는데, 이는 지식이 불완전하거나 증거가 부분적일 때 부적절합니다. 확률은 신념의 등급화된 정도를 나타내고, 증거에 따라 이를 업데이트하기 위한 베이즈 정리와 같은 원칙적인 규칙을 제공하여 불확실성 하에서의 추론에 매우 적합합니다.
- 베이즈 네트워크가 이 분야에서 중요한 이유는 무엇입니까?
- 많은 변수에 대한 완전한 결합 분포는 천문학적으로 크지만, 베이즈 네트워크는 조건부 독립성을 사용하여 이를 지역 조건부 분포를 가진 그래프로 간결하게 표현합니다. 이는 모델 저장과 확률적 쿼리 계산을 모두 가능하게 하여 불확실성 하에서의 추론의 초석이 됩니다.