[논문 리뷰] Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence (1999)

Kathryn Blackmond Laskey, Henri Prade|arXiv (Cornell University)|2013. 04. 13.

AI-based Problem Solving and Planning인용 수 377

한 줄 요약

이 논문은 스웨덴 스톡홀름에서 개최된 제15회 인공지능의 불확실성에 관한 회의(UAI 1999)의 논문집을 다루며, 인공지능에서의 확률적 추론, 베이지안 네트워크, 불확실성 모델링에 관한 78편의 동료 심사된 논문을 수록하고 있다. 이 회의는 불확실성 하에서의 추론을 위한 방법론을 발전시키며, 그래픽 모델, 추론 알고리즘, 불확실성 하에서의 의사결정과 관련된 핵심 기여를 이룩하였다.

ABSTRACT

This is the Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence, which was held in Stockholm Sweden, July 30 - August 1, 1999

연구 동기 및 목표

• 인공지능의 불확실성 모델링 분야에서 선도적인 연구자들을 모으기 위해.
• 복잡한 시스템에서 불확실성 하에서의 추론, 학습, 의사결정 문제에 도전하기 위해.
• 확률적 그래픽 모델 및 추론을 위한 신규 알고리즘과 이론적 프레임워크를 제시하기 위해.
• 불확실성 정량화 분야에서 인공지능, 통계학, 기계학습 분야 간의 상호교류를 촉진하기 위해.
• 당시 기준 최신 연구를 기록하기 위해, 베이지안 네트워크, 영향도, 확률적 추론 분야에 중점을 두었다.

제안 방법

• 인공지능의 불확실성에 관한 78편의 원저 논문을 수합하고 동료 심사한 바탕으로.
• 확률적 관계를 표현하는 기초 프레임워크로 그래픽 모델, 특히 베이지안 네트워크를 사용한 바.
• 대규모 시스템에서의 확률적 추론을 위해 정확한 및 근사 추론 알고리즘을 적용한 바.
• 최적의 의사결정을 내리기 위한 의사결정 이론적 모델, 특히 영향도를 활용한 바.
• 확률적 모델의 구조 및 매개변수 추정을 위한 학습 기법을 통합한 바.
• 추론 방법의 일致성, 수렴성, 복잡도에 관한 이론적 결과를 제시한 바.

실험 결과

연구 질문

• RQ1 확률적 그래픽 모델은 어떻게 효과적으로 인공지능 시스템의 불확실성을 표현하고 추론하는 데 활용될 수 있는가?
• RQ2 대규모 베이지안 네트워크에 대해 가장 효율적이고 정확한 추론 알고리즘은 무엇인가?
• RQ3 데이터 기반 불확실성 하에서 모델의 구조와 매개변수를 동시에 추론할 수 있도록 학습 알고리즘은 어떻게 개선될 수 있는가?
• RQ4 확률적 모델의 근사 추론 방법에 대한 이론적 한계와 상호 보완적 특성은 무엇인가?
• RQ5 영향도와 효용 이론을 활용하여 불확실성 하에서의 의사결정을 어떻게 체계화하고 최적화할 수 있는가?

주요 결과

• 이 회의는 인공지능 응용 분야에서 불확실성을 모델링하는 데 있어 베이지안 네트워크가 주요 공식화 방식으로 정착됨을 확인하였다.
• 일부 논문에서 대규모 네트워크에 대해 계산 복잡도를 크게 감소시킨 확장 가능한 추론 알고리즘을 소개하였다.
• 고차원 데이터에서의 구조 발견 정확도를 향상시킨 새로운 학습 방법이 제안되었다.
• 이론적 분석을 통해 특정 클래스의 모델에서 변분 추론 기법의 수렴 성질이 확인되었다.
• 영향도가 실용적인 적용 가능성을 갖는 동적 및 부분 관측 가능 의사결정 문제를 다룰 수 있도록 확장되었다.
• 논문집는 불확실성 모델링을 실제 인공지능 시스템, 예를 들어 의료 진단 및 로봇 기술에 통합하는 경향이 증가하고 있음을 강조하였다.