Рассуждения в условиях неопределенности
Рассуждения в условиях неопределенности — это раздел искусственного интеллекта, который использует теорию вероятностей и теорию принятия решений для формирования выводов и принятия решений в условиях неполных, зашумленных или лишь частично наблюдаемых знаний.
Definition
Рассуждения в условиях неопределенности представляют неполные знания агента в виде вероятностных распределений и вычисляют, посредством законов вероятности и максимизации ожидаемой полезности, во что верить и как действовать.
Scope
Эта область охватывает представление неопределенных знаний с помощью вероятностей и методы рассуждений и принятия решений в таких условиях: вероятностные графические модели, такие как байесовские сети, точный и приближенный вероятностный вывод, теория принятия решений, объединяющая вероятности с полезностями, и последовательное принятие решений с помощью марковских процессов принятия решений. Она рассматривает, как степени уверенности обновляются с появлением доказательств и как вычисляются рациональные выборы. Оценка этих моделей на основе данных и обучение политик с подкреплением относятся к подобласти машинного обучения; эта область акцентирует внимание на представлениях, принципах вывода и принятия решений.
Sub-topics
Core questions
- Как степени уверенности представляются и обновляются по мере поступления новых доказательств?
- Как можно компактно представить большие совместные распределения с использованием условной независимости?
- Как точно или приблизительно вычисляется вероятность запроса в вероятностной модели?
- Как вероятности объединяются с предпочтениями для выбора действий, максимизирующих ожидаемую полезность?
Key concepts
- вероятность как степень уверенности
- правило Байеса
- условная независимость
- байесовские сети
- точный и приближенный вывод
- полезность и ожидаемая полезность
- теория принятия решений
- марковские процессы принятия решений
Key theories
- Байесовское обновление
- Правило Байеса предписывает, как априорная степень уверенности пересматривается в апостериорную при наличии доказательств, обеспечивая нормативную основу для вероятностных рассуждений и для объединения фоновых знаний с наблюдениями.
- Графические модели и условная независимость
- Байесовские и марковские сети используют условную независимость для факторизации совместного распределения на локальные компоненты, что делает как представление, так и вывод разрешимыми для задач, которые в противном случае были бы экспоненциально большими.
- Максимум ожидаемой полезности
- Теория принятия решений утверждает, что рациональный агент должен выбирать действие, максимизирующее ожидаемую полезность, объединяя вероятностные убеждения с предпочтениями относительно исходов и распространяясь на последовательные решения через марковские процессы принятия решений.
Clinical relevance
Вероятностные рассуждения лежат в основе систем медицинской диагностики, диагностики неисправностей и слияния данных датчиков, обработки речи и языка, робототехники и локализации, анализа рисков, а также систем рекомендаций и поддержки принятия решений, везде, где выводы и выбор должны быть сделаны на основе неполной или зашумленной информации.
History
Ранний ИИ скептически относился к вероятности, предпочитая специальные коэффициенты уверенности, но работа Перла в 1980-х годах, кульминацией которой стала его книга 1988 года, показала, что байесовские сети сделали вероятностные рассуждения как хорошо обоснованными, так и вычислительно осуществимыми. Методы теории принятия решений и графических моделей, объединенные в таких текстах, как Коллер и Фридман (2009), стали центральными для современного ИИ.
Debates
- Вероятность против альтернативных формализмов неопределенности
- Исторически в ИИ обсуждалось, следует ли моделировать неопределенность с помощью вероятности или с помощью альтернатив, таких как коэффициенты уверенности, нечеткая логика или функции доверия Демпстера-Шейфера; вероятностный, теоретико-решенческий подход стал доминирующим в значительной степени благодаря его прочным основаниям и разрешимости, обеспечиваемой графическими моделями.
Key figures
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
Related topics
Seminal works
- pearl1986
- pearl1988
- koller2009
Frequently asked questions
- Почему для неопределенных знаний используется вероятность, а не логика?
- Строгая логика заставляет утверждения быть истинными или ложными, что неудобно, когда знания неполны или доказательства частичны. Вероятность представляет градуированные степени уверенности и предоставляет принципиальные правила, такие как правило Байеса, для их обновления с помощью доказательств, что делает ее хорошо подходящей для рассуждений в условиях неопределенности.
- Что делает байесовские сети важными для этой области?
- Полное совместное распределение по многим переменным астрономически велико, но байесовские сети используют условную независимость для его компактного представления в виде графа с локальными условными распределениями. Это делает как хранение модели, так и вычисление вероятностных запросов осуществимыми, поэтому они являются краеугольным камнем рассуждений в условиях неопределенности.