[论文解读] Proceedings of the Sixth Conference on Uncertainty in Artificial Intelligence (1990)

Piero P. Bonissone, Max Henrion+2 more|arXiv (Cornell University)|Apr 13, 2013

AI-based Problem Solving and Planning被引用 67

一句话总结

这篇1990年的会议论文集在不确定性条件下的概率推理方面奠定了基础工作，引入了人工智能中贝叶斯网络和因果推断的方法。其主要贡献在于通过图模型形式化处理不确定性，实现了在信息不完整条件下的高效概率推理与决策。

ABSTRACT

This is the Proceedings of the Sixth Conference on Uncertainty in Artificial Intelligence, which was held in Cambridge, MA, Jul 27 - Jul 29, 1990

研究动机与目标

• 开发形式化框架，用于在人工智能系统中表示和推理不确定性。
• 解决在证据不完整或具有概率性时进行可靠推断的挑战。
• 引入贝叶斯网络等图模型，作为编码条件独立性和概率依赖关系的结构化方法。
• 实现在复杂信念网络中后验概率的高效计算。
• 通过原则化的概率推理，支持在不确定性条件下的决策制定。

提出的方法

• 使用贝叶斯网络，通过有向无环图（DAGs）表示联合概率分布。
• 使用条件概率表（CPTs）编码变量之间的局部概率关系。
• 应用d-分离准则，以确定条件独立性并简化推理过程。
• 实现多树传播和变量消去等推理算法，以实现高效的信念更新。
• 将决策理论与概率模型结合，以支持在不确定性条件下的最优决策。
• 通过干预和do-演算，在图模型中形式化因果推理。

实验结果

研究问题

• RQ1 如何利用概率图模型在人工智能系统中正式表示不确定性？
• RQ2 在何种条件下，条件独立性可实现高效的概率推理？
• RQ3 如何利用贝叶斯网络从不完整或不确定的证据中计算后验概率？
• RQ4 因果结构在实现不确定性条件下的稳健推理与决策中起什么作用？
• RQ5 如何优化推理算法，使其可扩展至复杂的真实世界问题？

主要发现

• 贝叶斯网络通过条件独立性假设，为联合概率分布提供了紧凑且可解释的表示。
• d-分离规则可识别条件独立性，从而大幅降低推理的计算复杂度。
• 高效的推理算法（如多树传播）可在单连通网络中实现后验概率的精确计算。
• 将决策理论与概率模型结合，可实现不确定性条件下的最优决策。
• 该框架通过干预支持因果推理，使在不确定环境中进行反事实分析和策略评估成为可能。
• 该会议论文集确立了基础性原则，这些原则后来成为现代人工智能（包括机器学习和专家系统）的核心。