[논문 리뷰] Bipolar Possibilistic Representations

Salem Benferhat, Didier Dubois외 2명|arXiv (Cornell University)|2012. 12. 12.

Logic, Reasoning, and Knowledge참고 문헌 14인용 수 39

한 줄 요약

이 논문은 가용 정보에 의해 배제되지 않는 지식 기반 가능성(지식에 의해 배제되지 않는 가능성)과 직접적인 증거에 의해 확보된 관찰 기반 보장(관찰에 의해 확실히 가능한 가능성)을 구분하는 이중 가능성 프레임워크를 제안한다. 이 구분은 임의의 가능성 분포와 보장 가능성 함수를 사용하여 형식화되며, 이중 가능성 분포가 함께 작용함으로써 의미적 일관성을 확보하고, 일관성 조건을 통해 논리적 타당성을 유지한다. 이 프레임워크는 선호 모델링 및 진단 추론 분야에 적용된다.

ABSTRACT

Recently, it has been emphasized that the possibility theory framework allows us to distinguish between i) what is possible because it is not ruled out by the available knowledge, and ii) what is possible for sure. This distinction may be useful when representing knowledge, for modelling values which are not impossible because they are consistent with the available knowledge on the one hand, and values guaranteed to be possible because reported from observations on the other hand. It is also of interest when expressing preferences, to point out values which are positively desired among those which are not rejected. This distinction can be encoded by two types of constraints expressed in terms of necessity measures and in terms of guaranteed possibility functions, which induce a pair of possibility distributions at the semantic level. A consistency condition should ensure that what is claimed to be guaranteed as possible is indeed not impossible. The present paper investigates the representation of this bipolar view, including the case when it is stated by means of conditional measures, or by means of comparative context-dependent constraints. The interest of this bipolar framework, which has been recently stressed for expressing preferences, is also pointed out in the representation of diagnostic knowledge.

연구 동기 및 목표

• 가용 정보에 의해 배제되지 않는 가능성과 직접적 관찰에 의해 확보된 가능성 간의 형식적 차이를 명시하는 것.
• 지식 기반 가능성 분포와 보장 가능성 분포를 함께 사용하여 두 유형의 가능성을 공동으로 표현하면서도 일관성을 확보하는 의미론적 프레임워크를 개발하는 것.
• 실제 환경에서 불확실한 지식을 모델링하기 위해 조건부 및 맥락 의존적 제약 조건을 다룰 수 있도록 프레임워크를 확장하는 것.
• 이중 가능성 접근법이 선호 표현 및 진단 지식 모델링에 어떻게 활용될 수 있는지 보여주는 것.

제안 방법

• 지식 기반 가능성 분포와 보장 가능성 함수를 기반으로 하는 두 가지 별개의 가능성 분포를 정의한다: 첫 번째는 필수성 측도를 기반으로 하며, 지식에 의해 배제되지 않는 것을 나타내고, 두 번째는 관찰에 의해 확인된 가능성에 기반한다.
• 지식 기반 가능성 측도에 따라 불가능한 사건이 보장 가능성 분포에서 양의 가능성 값을 가질 수 없도록 하는 일관성 조건을 도입한다.
• 지식 기반 가능성과 관찰 기반 가능성의 두 가지 가능성을 의미론 수준에서 공동으로 모델링하는 이중 가능성 표현을 형식화한다.
• 조건부 제약 조건과 맥락 의존적 선호를 다룰 수 있도록 프레임워크를 확장하여, 불확실한 지식을 더 풍부하게 모델링할 수 있도록 한다.
• 필수성 측도와 가능성 측도를 사용하여, 배제되지 않은 결과와 경험적으로 지지된 결과에 대한 신뢰도를 표현한다.
• 보장 가능성 분포가 지식 기반 분포에 따라 불가능한 사건에 대해 양의 가능성 값을 할당하지 않도록 함으로써 의미론적 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 어떻게 가용 지식과 일치하는 가능성과 직접적 관찰에 의해 보장된 가능성 간의 형식적 차이를 구분할 수 있는가?
• RQ2 지식 기반 가능성과 관찰 기반 가능성 할당 간의 일관성을 보장하는 의미론적 조건은 무엇인가?
• RQ3 이중 가능성 프레임워크는 불확실한 추론에서 조건부 및 맥락 의존적 제약 조건을 어떻게 모델링할 수 있는가?
• RQ4 표준 가능 논리에 비해 이중 가능성 접근법은 선호 표현에서 어떤 방식으로 향상되는가?
• RQ5 이 프레임워크는 일관성과 관찰된 증거가 모두 중요한 진단 추론 작업에 어떻게 적용될 수 있는가?

주요 결과

• 이중 가능성 프레임워크는 지식에 의해 배제되지 않는 지식적 가능성(에피스테미크 가능성)과 관찰에 의해 보장된 존재적 가능성(오니틱 가능성)을 효과적으로 분리하여 더 세밀한 추론을 가능하게 한다.
• 일관성 조건은 지식 기반 가능성 측도에 따라 불가능한 사건이 보장 가능성으로 간주되지 않도록 보장하여 논리적 타당성을 유지한다.
• 이 프레임워크는 배제되지 않은 선택지와 긍정적으로 선호되는 선택지를 구분함으로써 선호 표현을 지원하여 불확실성 하에서의 의사결정을 향상시킨다.
• 이 접근법은 조건부 및 맥락 의존적 제약 조건으로 확장 가능하여 복잡한 도메인에서의 다이나믹한 모델링을 가능하게 한다.
• 이 형식은 이론적 일관성과 경험적 증거를 진단 추론 시스템에서 통합하는 데 있어 견고한 의미론적 기반을 제공한다.
• 이 방법은 선호 모델링 및 진단 지식 표현에 적용된 결과를 통해 UAI2002 프로ceedings에서 실용적 유용성을 입증하였다.