[论文解读] Fuzzy Knowledge Representation Based on Possibilistic and Necessary Bayesian Networks

Abdelkader Heni, Mohamed Nazih Omri+1 more|arXiv (Cornell University)|Jun 5, 2012

Bayesian Modeling and Causal Inference参考文献 15被引用 4

一句话总结

该论文提出了一种新颖的框架，将可能性逻辑与贝叶斯网络相结合，以表示模糊和不精确的知识，使用局部可能性度量知识库进行定性与定量推理。通过模糊化精确的确定性度量，并将贝叶斯网络与模糊逻辑结合，该方法增强了在不确定性下的决策鲁棒性与平滑性，为大规模不确定知识表示提供了一种紧凑且高效的方法。

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.

研究动机与目标

• 解决传统贝叶斯网络在处理模糊和不精确知识方面的局限性。
• 将某些贝叶斯网络扩展为模糊确定性网络，以改进不确定性的建模。
• 结合可能性逻辑与贝叶斯网络的优势，实现更鲁棒的知识表示。
• 引入基于可能性度量的知识库的定性与定量框架。
• 通过模糊化精确的确定性度量来提升网络性能。

提出的方法

• 该框架以可能性逻辑为基础，将贝叶斯节点及其属性表示为局部可能性度量知识库。
• 网络属性中的数据被解释为可能性逻辑结构中的赋值公式集合。
• 该方法将网络划分为定性（可能性）和定量（贝叶斯）两部分，每部分均由局部知识库表示。
• 应用精确确定性度量的模糊化，以增强网络行为的平滑性与鲁棒性。
• 使用可能性与必要性度量来量化大规模知识表示任务中的不确定性和不精确性。
• 将模糊逻辑与贝叶斯网络结合，实现了在不确定性下更具灵活性和弹性的决策。

实验结果

研究问题

• RQ1 如何有效扩展贝叶斯网络以处理不精确和模糊的知识？
• RQ2 可能性度量知识库在模糊框架中表示不确定依赖关系时起什么作用？
• RQ3 模糊化精确确定性度量如何提升贝叶斯网络的鲁棒性与性能？
• RQ4 可能性逻辑与贝叶斯网络以何种方式融合，可增强不确定性下的知识表示？
• RQ5 结合模糊逻辑、贝叶斯网络与可能性推理的混合模型能否实现更紧凑高效的不确定知识表示？

主要发现

• 所提出的框架成功将可能性逻辑与贝叶斯网络结合，有效建模了不确定性和不精确性。
• 对精确确定性度量的模糊化显著提升了网络性能的平滑性与鲁棒性。
• 使用局部可能性度量知识库实现了定性与定量推理组件的清晰分离。
• 该框架支持大规模不确定知识的紧凑且高效表示。
• 可能性与必要性度量在知识表示任务中被有效用于量化不确定性。
• 将贝叶斯网络、模糊逻辑与可能性逻辑三种方法整合，为不确定性下的决策提供了更全面的解决方案。