[논문 리뷰] Proceedings of the Eighth Conference on Uncertainty in Artificial Intelligence (1992)

Bruce D’Ambrosio, Didier Dubois외 2명|arXiv (Cornell University)|2013. 04. 13.

AI-based Problem Solving and Planning인용 수 33

한 줄 요약

이 회의 논문집은 인공지능 내 불확실성 추론 분야의 기초 연구를 제시하며, 확률적 추론, 신뢰 네트워크, 의사결정 이론, 불확실성 하에서의 기계 학습에 관한 42편의 동료 심사된 논문을 수록하고 있다. 본 연구는 부족하거나 불확실한 정보를 모델링하고 추론하는 데 있어 방법을 발전시키며, 베이지안 네트워크, 인과 추론, 불확실성 하에서의 의사결정과 같은 분야에서 핵심 기여를 한다.

ABSTRACT

This is the Proceedings of the Eighth Conference on Uncertainty in Artificial Intelligence, which was held in Stanford, CA, July 17-19, 1992

연구 동기 및 목표

• 인공지능에서 불확실성 하의 추론에 대한 이론적 및 실용적 기초를 발전시키기 위해.
• 확률적 및 그래픽 모델을 사용하여 복잡한 시스템에서 불확실성의 모델링과 전파에 도전 과제를 해결하기 위해.
• 베이지안 네트워크 및 영향 다이어그램과 같은 공식적 프레임워크를 통해 불확실성 하에서의 의사결정을 탐색하기 위해.
• 특히 동적이고 부분 관찰 가능한 도메인에서 불확실한 환경에서의 학습과 추론을 통합하기 위해.
• 통계, 의사결정 이론, 인지 과학 등을 포함한 불확실성에 관한 다학제적 연구를 위한 포럼을 제공하기 위해.

제안 방법

• 공동 확률 분포를 표현하고 확률적 추론을 수행하기 위해 베이지안 네트워크를 활용하기 위해.
• 신뢰 전파에서 계산 복잡도를 감소시키기 위해 조건부 독립 가정을 적용하기 위해.
• 불확실성 하에서의 순차적 의사결정 문제를 모델링하기 위해 영향 다이어그램을 활용하기 위해.
• 의사결정 이론적 추론을 위해 최대 사후확률(MAP)과 기대 효용 최대화를 채택하기 위해.
• 확률적 그래픽 모델의 구조 및 파라미터 추정을 위한 학습 알고리즘을 통합하기 위해.
• 대규모 모델에서의 비가역 추론을 다루기 위해 변분 추론 및 근사 기법을 사용하기 위해.

실험 결과

연구 질문

• RQ1 확률적 그래픽 모델은 어떻게 복잡한 시스템에서의 불확실성을 효율적으로 표현하고 추론할 수 있는가?
• RQ2 베이지안 네트워크에서 정확한 및 근사 추론을 위한 가장 효과적인 알고리즘은 무엇인가?
• RQ3 영향 다이어그램을 사용하여 불확실성 하에서의 의사결정을 어떻게 공식화하고 최적화할 수 있는가?
• RQ4 불확실성 하에서 데이터로부터 신뢰할 수 있는 구조 및 파라미터 추론을 위한 학습 방법은 무엇인가?
• RQ5 동적이고 실시간 환경에서 불확실성이 일관되게 전파되고 갱신될 수 있는가?

주요 결과

• 베이지안 네트워크는 인공지능 시스템에서 불확실성을 표현하고 추론하는 데 있어 타당하고 유연한 프레임워크를 제공한다.
• 합리적인 추론 알고리즘, 예를 들어 잇기 나무(junction tree) 및 재귀 조건화(recursive conditioning)는 대규모 네트워크에서 확장 가능한 추론을 가능하게 한다.
• 영향 다이어그램은 불확실성 하에서의 순차적 의사결정을 효과적으로 모델링하며 최적의 정책 계산을 지원한다.
• 최대우도 추정 및 베이지안 추정을 사용한 파라미터 학습은 모델의 정확성과 강건성을 향상시킨다.
• 몬테카를로 샘플링 및 변분 방법을 포함한 근사 추론 기법들은 복잡한 모델에서 실현 가능한 추론을 가능하게 한다.
• 확률 모델에서 학습과 추론의 통합은 불확실한 환경에서의 적응성과 성능을 향상시킨다.