Что такое неопределенность в искусственном интеллекте
Рассуждение с неуверенностью
1. Введение
Хотя существуют различные типы неопределенности в различных аспектах системы рассуждений, исследования «рассуждений с неопределенностью» (или «рассуждений в условиях неопределенности») в ИИ были сосредоточены на неопределенности истинностное значение, то есть разрешать и обрабатывать значения истинности, отличные от "true" и "false".
- семантическое объяснение происхождения и природы неопределенности
- способ представления неопределенности на формальном языке
- набор правил вывода, которые приводят к неопределенным (хотя и хорошо обоснованным) выводам
- эффективный механизм управления памятью для управления неопределенностью
2. Немонотонные логики
Система рассуждений монотонный если истинность вывода не меняется при добавлении в систему новой информации — множество теорем может только монотонно расти при добавлении новых аксиом. Напротив, в системе, выполняющей немонотонное рассуждение набор выводов может как увеличиваться, так и уменьшаться по мере получения новой информации.
Немонотонные логики используются для формализации правдоподобных рассуждений, таких как следующий шаг вывода:
Обычно летают птицы. Твити — птица. -------------------------- Твити (предположительно) летает.
Такое рассуждение характерно для рассуждения здравого смысла, где правила по умолчанию применяются, когда информация по конкретному случаю недоступна.
Вывод немонотонного рассуждения может оказаться неверным. Например, если Твити — пингвин, неверно делать вывод, что Твити летает. Немонотонные рассуждения часто требуют поспешных выводов и последующего отказа от этого вывода по мере поступления дополнительной информации.
- факты которые определенно верны, например, «Твити — птица».
- правила по умолчанию которые обычно верны, например, "Птицы летают"
- предварительные выводы которые предположительно верны, например, "Tweety fly"
Связанный с этим вопрос — пересмотр убеждений. Пересмотр базы знаний часто следует принципу минимальных изменений: сохраняется как можно больше информации.
Одним из подходов к решению этой проблемы является система поддержания истинности, в которой хранится «обоснование» для каждого предложения, так что, когда некоторые предложения отвергаются, может потребоваться также удалить некоторые другие.
- конфликты по умолчанию, например, в «Алмазе Никсона»
- вычислительные затраты: поддерживать согласованность в огромной базе знаний сложно, если не невозможно
3. Вероятностное рассуждение
Основная идея: использовать теорию вероятности для представления и обработки неопределенности. В вероятностных рассуждениях истинностное значение предложения расширяется от <0, 1> до [0, 1], с бинарной логикой в качестве его частного случая.
Обоснование: хотя ни один вывод не является абсолютно верным, предпочтение отдается наиболее вероятному. При определенных предположениях оптимальные решения дает теория вероятностей.
- отрицание: P(¬A) = 1 − P(A)
- соединение: P(A∧B) = P(A) * P(B), если A и B независимы друг от друга
- дизъюнкция: P(A∨B) = P(A) + P(B), если A и B никогда не происходят одновременно
Байесовские сети представляют собой ориентированные ациклические графы, в которых узлы представляют интересующие переменные, а связи представляют собой информационные или причинно-следственные зависимости между переменными. Сила зависимости представлена условными вероятностями. По сравнению с другими подходами вероятностных рассуждений байесовская сеть более эффективна, хотя ее фактическая вычислительная стоимость все еще высока для сложных задач.
- неизвестные значения вероятности
- противоречивые назначения вероятностей
- вычислительные затраты
4. Нечеткая логика
Нечеткая логика является обобщением классической логики и отражает впечатление от человеческого языка и рассуждений.
Примеры нечетких понятий: «молодой», «мебельный», «самый», «пасмурный» и так далее.
Согласно нечеткой логике, принадлежность экземпляра к понятию обычно зависит не от «да/нет», а от степени.Нечеткая логика использует степень членства, которое является действительным числом в [0, 1].
- Боюсь, что завтра будет пасмурно, так что давайте сегодня сфотографируем.
- Я не уверен, следует ли классифицировать текущую погоду как "пасмурную" или нет.
- отрицание: М(¬А) = 1 — М(А).
- соединение: М(А∧В) = мин.
- дизъюнкция: М(А∨В) = макс.
- степень членства часто зависит от контекста
- нечеткие правила общего назначения трудно получить
5. Истинностное значение как доказательная поддержка
Этот подход используется в проекте NARS, интеллектуальной системе рассуждений.
Основная идея состоит в том, чтобы рассматривать истинностное значение утверждения как меру доказательная поддержка заявление получает из опыта системы. Такое истинностное значение состоит из двух факторов: частота (доля положительных доказательств среди имеющихся доказательств) и уверенность (доля имеющихся в настоящее время доказательств среди всех доказательств в ближайшем будущем).
Этот подход пытается единообразно представить различные типы неопределенности.
