[论文解读] Adams Conditioning and Likelihood Ratio Transfer Mediated Inference

J.A. Bergstra|arXiv (Cornell University)|Nov 26, 2016

AI-based Problem Solving and Planning参考文献 37被引用 4

一句话总结

本文在基于代数结构的概据框架中，使用亚当斯条件化（Adams conditioning）形式化了法律贝叶斯推理中的似然比传递，表明法医专家单条消息报告违反了主观概率原则，并提出通过历史追踪概率更新来防止事实认定者信念状态膨胀的协议。

ABSTRACT

Bayesian inference as applied in a legal setting is about belief transfer and involves a plurality of agents and communication protocols. A forensic expert (FE) may communicate to a trier of fact (TOF) first its value of a certain likelihood ratio with respect to FE's belief state as represented by a probability function on FE's proposition space. Subsequently FE communicates its recently acquired confirmation that a certain evidence proposition is true. Then TOF performs likelihood ratio transfer mediated reasoning thereby revising their own belief state. The logical principles involved in likelihood transfer mediated reasoning are discussed in a setting where probabilistic arithmetic is done within a meadow, and with Adams conditioning placed in a central role.

研究动机与目标

• 形式化法医专家向事实认定者传递似然比的通信协议，用于法庭推理。
• 解决法医专家单条消息报告与基于精确概率的主观概率理论之间的不相容性。
• 使用亚当斯条件化与代数结构概率算术，建立统一的信念状态变换形式化框架。
• 在所提框架内分析条件概率颠倒与检控方谬误等逻辑谬误。
• 倡导对信念更新进行历史追踪，以防止事实认定者出现无界信念膨胀。

提出的方法

• 在代数结构框架中，使用命题空间上的概率函数建模信念状态，以确保代数一致性并处理除零问题。
• 将亚当斯条件化作为信念更新的核心机制，当传递似然比与证据确认时使用。
• 引入一个带有标签的信念状态转移系统，以表示信念随时间的演化。
• 使用条件方程与命题空间的变换，形式化不同报告场景下的信念动力学。
• 应用公式 $ P'_{\text{TOF}}(H) = \frac{r \cdot P_{\text{TOF}}(H)}{1 + (r-1) \cdot P_{\text{TOF}}(H)} $ 进行信念更新，当接收到似然比 $ r $ 与证据确认时。
• 引入表示独立性（全局与局部）的概念，以评估不同信念状态形式表示之间的一致性。

实验结果

研究问题

• RQ1 为何单条消息报告似然比（而不包含证据确认）与基于精确信念的主观概率理论不相容？
• RQ2 如何形式化信念状态更新，以防止在重复接收相同似然比时信念出现无界增长？
• RQ3 亚当斯条件化在建模法医专家与事实认定者之间信念传递中起什么作用？
• RQ4 在似然比传递中，条件概率颠倒等谬误如何产生，又如何在形式上加以刻画？
• RQ5 不完整或不精确的信念状态能否在法医推理中有用建模？其对信念一致性有何影响？

主要发现

• 仅报告似然比而不提供证据确认，违反了主观概率原则，因为它在重复更新下无法保持一致性。
• 对同一信念状态反复应用相同似然比，将导致概率严格递增并收敛于1，必须通过追踪历史更新来防止此现象。
• 信念更新公式 $ P'_{\text{TOF}}(H) = \frac{r \cdot P_{\text{TOF}}(H)}{1 + (r-1) \cdot P_{\text{TOF}}(H)} $ 确保当 $ r > 1 $ 时，有 $ P'_{\text{TOF}}(H) > P_{\text{TOF}}(H) $，若重复使用将导致信念膨胀。
• 在某些命题空间（如6个元素的空间）中，全局表示独立性不成立，表明信念状态变换对形式表示敏感。
• 亚当斯条件化为似然比传递提供了正式基础，避免了条件概率颠倒的陷阱，并澄清了信念修正的逻辑。
• 不完整信念状态（即概率函数为部分函数）可使用非单点表示集建模，但若不存在有效概率函数，则可能导致不一致。