[论文解读] Coefficients of relation for probabilistic reasoning

Silvio Ursic|arXiv (Cornell University)|Jul 10, 1987

Bayesian Modeling and Causal Inference参考文献 26被引用 1

一句话总结

本文形式化了用于量化对象集合之间关系的数值系数，以支持近似知识和概率推理。它定义了相关系数和关联系数等关键度量，基于历史和数学基础，提供了一个统一的不确定推理框架。

ABSTRACT

Definitions and notations with historical references are given for some numerical coefficients commonly used to quantify relations among collections of objects for the purpose of expressing approximate knowledge and probabilistic reasoning.

研究动机与目标

• 建立用于概率推理和近似知识表示中系数的标准化术语和符号体系。
• 阐明在关系分析中常用系数的历史发展和数学基础。
• 为研究人员提供一个参考框架，以一致地应用和解释不确定推理中的关系系数。
• 在统一的理论结构下整合多种系数类型，以应用于人工智能和统计推理。

提出的方法

• 系统性回顾并形式化关系量化中已有的数值系数。
• 定义关键系数，如相关系数、phi系数和Cramér's V，附带数学表达式和特定领域的解释。
• 融入历史参考，追踪每个系数的演变和应用。
• 根据其在二元、分类和连续关系中的应用对系数进行分类。
• 在概率推理和不确定性建模的背景下呈现系数。
• 使用正式符号以确保在不同应用领域中的一致性和清晰性。

实验结果

研究问题

• RQ1 在概率推理中，哪些系数最适合表达对象集合之间的关系？
• RQ2 历史发展如何影响当前对关系系数的使用和解释？
• RQ3 为实现不确定推理中关系系数使用的标准化，需要哪些正式定义和符号？
• RQ4 如何在统一的理论框架下整合不同类型的系数？
• RQ5 这些系数在人工智能和统计系统中建模近似知识方面发挥什么作用？

主要发现

• 本文建立了概率推理和关系分析中所用系数的全面分类体系。
• 识别并形式化了关键系数，如相关系数、phi系数和Cramér's V，并给出了精确的数学定义。
• 记录了每个系数的历史背景，展示了其在不同领域中的演变和应用。
• 提出了一套统一的框架，用于解释和应用不确定推理任务中的关系系数。
• 该工作为术语和符号的统一奠定了基础，减少了研究和应用中的模糊性。
• 正式定义使得概率和近似推理系统中的沟通更清晰，且具备可复现性。