[논문 리뷰] Evidential Confirmation as Transformed Probability

Benjamin N. Grosof|arXiv (Cornell University)|2013. 03. 27.

Bayesian Modeling and Causal Inference참고 문헌 2인용 수 6

한 줄 요약

이 논문은 두 가지 주요 비확률적 증거적 확증 방법—MYCIN의 확신 인자와 덴스터-샤퍼 이론—이 변환된 베이지안 확률로 표현될 때 상호 동치임을 보여준다. 이러한 방법들을 통합된 확률적 프레임워크로 재구성함으로써, 사전 확률에 대한 '세금을 부과하거나 기각하는가' 문제를 해결하고, 조건부 독립을 통해 축약된 기초를 제공하며, 불확실한 추론 표현의 심리적 접근성을 향상시킨다.

ABSTRACT

A considerable body of work in AI has been concerned with aggregating measures of confirmatory and disconfirmatory evidence for a common set of propositions. Claiming classical probability to be inadequate or inappropriate, several researchers have gone so far as to invent new formalisms and methods. We show how to represent two major such alternative approaches to evidential confirmation not only in terms of transformed (Bayesian) probability, but also in terms of each other. This unifies two of the leading approaches to confirmation theory, by showing that a revised MYCIN Certainty Factor method [12] is equivalent to a special case of Dempster-Shafer theory. It yields a well-understood axiomatic basis, i.e. conditional independence, to interpret previous work on quantitative confirmation theory. It substantially resolves the "taxe-them-or-leave-them" problem of priors: MYCIN had to leave them out, while PROSPECTOR had to have them in. It recasts some of confirmation theory's advantages in terms of the psychological accessibility of probabilistic information in different (transformed) formats. Finally, it helps to unify the representation of uncertain reasoning (see also [11]).

연구 동기 및 목표

• 증거적 확증에 대한 두 주요 비베이지안 접근법—MYCIN의 확신 인자와 덴스터-샤퍼 이론—을 통합하는 것.
• 확증 이론에서 사전 확률의 처리에 관해 오랫동안 지속된 '세금을 부과하거나 기각하는가' 문제를 해결하는 것.
• 조건부 독립을 통해 양적 확증 이론에 잘 이해된 축약 기초를 제공하는 것.
• 증거를 변환된 확률 형식으로 표현함으로써 불확실한 추론 표현의 심리적 접근성을 향상시키는 것.
• AI 분야의 다양한 형식 체계에서 불확실한 추론의 표현을 통합하는 것.

제안 방법

• MYCIN의 확신 인자 방법을 변환된 베이지안 확률의 특수한 케이스로 표현한다.
• 동일한 변환된 확률 프레임워크를 사용하여 덴스터-샤퍼 이론을 재구성한다.
• 변환된 확률 공간에서 공통된 수학적 구조를 통해 두 접근법 간의 동치성을 입증한다.
• 조건부 독립을 증거적 확증을 해석하는 축약 기초로 적용한다.
• 변환 함수를 사용하여 증거 측정치를 일관된 확률 형식으로 매핑한다.
• 이러한 통합 프레임워크 내에서 사전 처리 문제(예: MYCIN의 사전 확률 배제, PROSPECTOR의 포함)를 재해석한다.

실험 결과

연구 질문

• RQ1 MYCIN의 확신 인자 방법은 공식적으로 베이지안 확률 프레임워크 내에 표현될 수 있는가?
• RQ2 덴스터-샤퍼 이론은 변환된 확률의 특수한 케이스와 동치인가?
• RQ3 MYCIN과 PROSPECTOR에서 사전 확률의 대응 방식이 상반되는 문제는 어떻게 조율할 수 있는가?
• RQ4 변환된 확률 공간에서 증거적 확증을 해석하는 데 기초가 되는 축약 기초는 무엇인가?
• RQ5 확률을 변환함으로써 불확실한 추론 표현의 심리적 접근성이 어떻게 향상되는가?

주요 결과

• MYCIN의 확신 인자 방법은 둘 다 변환된 베이지안 확률로 표현될 경우, 덴스터-샤퍼 이론의 특수한 케이스와 공식적으로 동치이다.
• 통합 프레임워크는 변환된 확률 모델을 통해 사전 확률을 일관되게 다룰 수 있도록 하여 '세금을 부과하거나 기각하는가' 문제를 해결한다.
• 조건부 독립은 이 프레임워크에서 증거적 확증을 해석하는 데 잘 정당화된 축약 기초로 부상한다.
• 변환된 확률 형식은 원시적 확증 측정치보다 불확실한 정보의 표현에 대해 심리적으로 접근하기 쉬운 방식을 제공한다.
• 이 방법은 두 주요 불확실한 추론 형식 체계를 성공적으로 통합하여 향후 발전을 위한 공통 기초를 제공한다.
• 수학적 변환을 통해 동치성이 입증되었으며, 이는 두 방법이 동일한 기초 확률적 구조를 기반으로 작동한다는 것을 보여준다.