[논문 리뷰] Fuzzy Knowledge Representation Based on Possibilistic and Necessary Bayesian Networks

Abdelkader Heni, Mohamed Nazih Omri외 1명|arXiv (Cornell University)|2012. 06. 05.

Bayesian Modeling and Causal Inference참고 문헌 15인용 수 4

한 줄 요약

이 논문은 날것의 확률적 지식을 표현하기 위해 가능성 논리와 베이지안 네트워크를 통합하는 새로운 프레임워크를 제안한다. 이는 국소적 필수성 값 기반 지식 기반을 사용하여 정성적이고 정량적인 추론을 가능하게 하며, 날것의 확실성 정도를 흐림처리하고 베이지안 네트워크와 퍼지 논리를 결합함으로써 불확실성 하에서의 의사결정의 강건성과 매끄러움을 향상시킨다. 이는 대규모 불확실 지식 표현을 위한 압축되고 효율적인 방법을 제공한다.

ABSTRACT

Within the framework proposed in this paper, we address the issue of extending the certain networks to a fuzzy certain networks in order to cope with a vagueness and limitations of existing models for decision under imprecise and uncertain knowledge. This paper proposes a framework that combines two disciplines to exploit their own advantages in uncertain and imprecise knowledge representation problems. The framework proposed is a possibilistic logic based one in which Bayesian nodes and their properties are represented by local necessity-valued knowledge base. Data in properties are interpreted as set of valuated formulas. In our contribution possibilistic Bayesian networks have a qualitative part and a quantitative part, represented by local knowledge bases. The general idea is to study how a fusion of these two formalisms would permit representing compact way to solve efficiently problems for knowledge representation. We show how to apply possibility and necessity measures to the problem of knowledge representation with large scale data. On the other hand fuzzification of crisp certainty degrees to fuzzy variables improves the quality of the network and tends to bring smoothness and robustness in the network performance. The general aim is to provide a new approach for decision under uncertainty that combines three methodologies: Bayesian networks certainty distribution and fuzzy logic.

연구 동기 및 목표

• 기존의 베이지안 네트워크가 모호하고 정확하지 않은 지식을 다루는 데에 한계가 있음을 해결하기 위해.
• 일부 베이지안 네트워크를 더 나은 불확실성 모델링을 위해 퍼지 확실성 네트워크로 확장하기 위해.
• 가능성 논리와 베이지안 네트워크의 장점을 융합하여 더 강건한 지식 표현을 위해.
• 필수성 값 기반 지식 기반을 사용한 정성적이고 정량적인 프레임워크를 도입하기 위해.
• 날것의 확실성 정도의 흐림처리를 통해 네트워크 성능을 향상시키기 위해.

제안 방법

• 프레임워크는 베이지안 노드와 그 성질을 국소적 필수성 값 기반 지식 기반으로 표현하기 위해 가능성 논리를 기반으로 한다.
• 네트워크 성질에 포함된 데이터는 가능성 논리 구조 내의 가중치가 부여된 공식 집합으로 해석된다.
• 이 방법은 네트워크를 정성적(가능성 기반) 및 정량적(베이지안 기반) 구성 요소로 분리하며, 각각 국소 지식 기반으로 표현된다.
• 날것의 확실성 정도의 흐림처리를 적용하여 네트워크 행동의 매끄러움과 강건성을 향상시킨다.
• 불확실성과 모호성을 대규모 지식 표현 과제에서 정량화하기 위해 가능성 및 필수성 측도를 사용한다.
• 퍼지 논리와 베이지안 네트워크의 통합은 불확실성 하에서 더 유연하고 내구성이 있는 의사결정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 어떻게 베이지안 네트워크를 효과적으로 모호하고 정확하지 않은 지식을 다룰 수 있도록 확장할 수 있는가?
• RQ2 필수성 값 기반 지식 기반은 퍼지 프레임워크 내에서 불확실한 의존 관계를 어떻게 표현하는가?
• RQ3 날것의 확실성 정도를 흐림처리하면 베이지안 네트워크의 강건성과 성능이 어떻게 향상되는가?
• RQ4 어떤 방식으로 가능성 논리와 베이지안 네트워크를 융합하여 불확실성 하에서의 지식 표현을 향상시킬 수 있는가?
• RQ5 퍼지 논리, 베이지안 네트워크, 가능성 논리를 융합한 하이브리드 모델은 더 압축되고 효율적인 지식 표현을 달성할 수 있는가?

주요 결과

• 제안된 프레임워크는 가능성 논리와 베이지안 네트워크를 성공적으로 통합하여 불확실성과 모호성을 모두 모델링한다.
• 날것의 확실성 정도의 흐림처리로 인해 네트워크 성능이 더 매끄럽고 강건해진다.
• 국소적 필수성 값 기반 지식 기반의 사용은 정성적 및 정량적 추론 구성 요소 간의 명확한 분리를 가능하게 한다.
• 이 프레임워크는 대규모 불확실 지식의 압축되고 효율적인 표현을 가능하게 한다.
• 가능성 및 필수성 측도는 지식 표현 과제에서 불확실성을 효과적으로 정량화하는 데에 적용된다.
• 베이지안 네트워크, 퍼지 논리, 가능성 논리의 세 가지 방법론의 통합은 불확실성 하에서 의사결정에 더 종합적인 접근을 제공한다.