[논문 리뷰] From Statistical Knowledge Bases to Degrees of Belief

Fahiem Bacchus, Adam J. Grove외 2명|ArXiv.org|2003. 07. 24.

Logic, Reasoning, and Knowledge참고 문헌 62인용 수 5

한 줄 요약

이 논문은 통계적, 일阶논리적, 기본(default), 개별적 정보를 통합한 풍부한 지식 기반에서 믿음의 정도를 유추하기 위한 원칙적인 방법인 랜덤 월드 방법을 소개한다. 지식 기반과 일관된 모든 가능한 세계에 대해 무작위성 원칙을 적용함으로써, 특정성, 상속, 독립성과 같은 핵심 패턴을 반영하는 일관된 확률론적 추론이 가능해지며, 도메인 크기가 커질수록 안정된 확률로 수렴한다.

ABSTRACT

An intelligent agent will often be uncertain about various properties of its environment, and when acting in that environment it will frequently need to quantify its uncertainty. For example, if the agent wishes to employ the expected-utility paradigm of decision theory to guide its actions, it will need to assign degrees of belief (subjective probabilities) to various assertions. Of course, these degrees of belief should not be arbitrary, but rather should be based on the information available to the agent. This paper describes one approach for inducing degrees of belief from very rich knowledge bases, that can include information about particular individuals, statistical correlations, physical laws, and default rules. We call our approach the random-worlds method. The method is based on the principle of indifference: it treats all of the worlds the agent considers possible as being equally likely. It is able to integrate qualitative default reasoning with quantitative probabilistic reasoning by providing a language in which both types of information can be easily expressed. Our results show that a number of desiderata that arise in direct inference (reasoning from statistical information to conclusions about individuals) and default reasoning follow directly {from} the semantics of random worlds. For example, random worlds captures important patterns of reasoning such as specificity, inheritance, indifference to irrelevant information, and default assumptions of independence. Furthermore, the expressive power of the language used and the intuitive semantics of random worlds allow the method to deal with problems that are beyond the scope of many other non-deductive reasoning systems.

연구 동기 및 목표

• 통계적, 일阶논리적, 기본적, 개인 수준의 정보를 포함한 이질적인 지식 기반에서 주관적 확률(믿음의 정도)을 유도하기 위한 통합 프레임워크를 개발하는 것.
• 기존 시스템의 직접 추론 및 비단조화적 추론의 한계를 보완하기 위해 질적 기본 추론과 양적 확률론적 추론을 통합하는 것.
• 유도된 믿음의 정도가 특정성, 상속, 무관한 정보의 무시와 같은 핵심 추론 패턴을 존중하도록 보장하는 것.
• 이전의 비연역적 추론 시스템이 다루지 못하는 복잡한 실제 세계의 추론 문제를 자연스럽게 다룰 수 있는 의미론을 제공하는 것.
• 도메인 크기가 증가함에 따라 안정적이고 잘 정의된 믿음의 정도로 수렴하는 극한 기반의 확률 측도를 형식화하는 것.

제안 방법

• 이 방법은 지식 기반과 일관된 모든 가능한 세계를 동일하게 확률을 가진 것으로 간주하는 무작위성 원칙을 적용한다.
• Bacchus가 확장한 일阶논리 기반 언어를 사용하여 '80%의 간질 환자는 간염을 앓는다'와 같은 문장을 공식적으로 표현할 수 있다.
• 유한 도메인에서는 일관된 세계의 수를 전체 가능한 세계 수로 나누어 확률을 계산하며, 도메인 크기가 무한히 커질 때의 극한을 취한다.
• 이 방법은 극한 확률 측도 $ \Pr_\infty $를 정의하며, 어휘 확장에 대해 불변이며 수렴성을 보장한다.
• 서로소인 부분 어휘에 대해 그 지식 기반들이 일관될 경우, 세계 집합에 대한 전단사 사상에 기반해 조건부 독립성을 확보한다.
• 불확실성 간격이 존재할 경우, 확률의 범위를 계산하기 위해 매개변수화된 함수 $ \delta $를 사용하며, 이는 단조성과 연속성을 보장한다.

실험 결과

연구 질문

• RQ1 통계적, 일阶논리적, 기본 정보를 포함한 지식 기반에서 믿음의 정도를 체계적으로 어떻게 도출할 수 있는가?
• RQ2 직접 추론과 비단조화적 추론을 통합하면서도 특정성, 상속과 같은 핵심 직관을 유지할 수 있는 단일 프레임워크가 존재하는가?
• RQ3 랜덤 월드 방법은 도메인 크기가 증가함에 따라 안정적이고 수렴하는 확률을 도출하는가?
• RQ4 서로소 지식 구성 요소 간의 조건부 독립성은 어떻게 다루는가?
• RQ5 오직 간격 추정치만 제공될 경우, 이 방법은 확률의 범위를 어떻게 제공할 수 있는가?

주요 결과

• 랜덤 월드 방법은 도메인 크기가 증가함에 따라 믿음의 정도가 잘 정의된 극한 확률 $ \Pr_\infty $로 수렴함을 보장하여 의사결정의 안정적인 기반을 제공한다.
• 이 방법은 지식 기반과 일관된 모든 가능한 세계에 대해 동일한 가능성을 할당함으로써 무작위성 원칙을 충족시키며, 일관된 확률론적 추론을 가능하게 한다.
• 기본 추론에서 특정성 원칙을 반영한다: 더 구체적인 정보는 더 일반적인 기본 규칙보다 믿음의 정도 결정에 우선한다.
• 이 방법은 상속 원칙을 존중한다: 어떤 성질이 특정 클래스에 대해 성립하면, 그 성질은 하위 클래스로 상속되며, 구체적 증거에 의해 무시되지 않는 한 유지된다.
• 서로소 부분 어휘 간에 조건부 독립이 성립한다: $ \Pr_\infty(\varphi_1 \land \varphi_2 \mid \text{KB}_1 \land \text{KB}_2) = \Pr_\infty(\varphi_1 \mid \text{KB}_1) \cdot \Pr_\infty(\varphi_2 \mid \text{KB}_2) $.
• 간격 추정치를 사용할 경우, 이 방법은 단조성 함수 $ \delta $를 통해 확률의 범위를 계산하며, 결과가 구간 $ [\delta(\alpha_1 - \tau_1, \dots, \alpha_m - \tau_m), \delta(\beta_1, \dots, \beta_m)] $ 내에 있도록 보장한다.