[论文解读] Of Starships and Klingons: Bayesian Logic for the 23rd Century

Kathryn Blackmond Laskey, Paulo Costa|arXiv (Cornell University)|Jul 1, 2005

Bayesian Modeling and Causal Inference参考文献 15被引用 30

一句话总结

本文提出了多主体贝叶斯网络（MEBN），这是一种形式化系统，将一阶逻辑（FOL）与贝叶斯概率论统一起来，以实现在关系型、动态及开放世界领域中的一致性、可扩展的不确定性推理。MEBN 支持对无限多个相互关联的实体及其关系进行丰富建模，并证明了对任意一致的、有限公理化的 FOL 理论，其模型上存在一个一致的联合概率分布——从而实现了递归、可扩展且基于逻辑的不确定性推理。

ABSTRACT

Intelligent systems in an open world must reason about many interacting entities related to each other in diverse ways and having uncertain features and relationships. Traditional probabilistic languages lack the expressive power to handle relational domains, whereas classical first-order logic is sufficiently expressive but lacks a coherent plausible reasoning capability. Recent years have seen the emergence of a variety of approaches to integrating first-order logic, probability, and machine learning. This paper presents Multi-entity Bayesian networks (MEBN), a formal system that integrates First Order Logic (FOL) with Bayesian probability theory. MEBN extends ordinary Bayesian networks to allow representation of graphical models with repeated sub-structures. We present the logic using an example inspired by the Paramount Series Star Trek. MEBN semantics integrates random variables as formalized in mathematical statistics with model theoretic semantics for first-order logic.

研究动机与目标

• 解决传统贝叶斯网络在建模具有不确定、相互作用的实体的关系型、动态及开放世界领域时的局限性。
• 开发一种形式化系统，将一阶逻辑的表达能力与贝叶斯网络的不确定性处理能力相结合。
• 确保对任意一致的、有限公理化的第一阶理论，其模型上存在逻辑一致且定义良好的联合概率分布。
• 通过支持通过贝叶斯条件化机制添加新公理的理论更新，实现递归和可扩展的推理。
• 为不确定、开放环境（如语义网）中的概率本体和知识表示提供基础。

提出的方法

• MEBN 使用 MFrags（MEBN 片段）来表示随机变量上的条件概率分布，其中每个片段为一组相关实体和关系定义局部分布。
• 系统采用带占位符的参数化随机变量（RVs），以支持在任意数量实体的领域中进行实例化。
• MEBN 理论由满足一致性约束的 MFrags 构成，确保所有实例化随机变量上存在唯一的联合概率分布。
• 通过允许重复子结构和使用时间参数化的 RVs，该框架支持递归和时序依赖关系。
• MEBN 通过贝叶斯条件化实现推理与理论精炼，使新公理可被添加，并根据观测结果更新模型。
• 该形式化系统具有严格的语义基础，即使在无限或无界领域中也能保证一致性和逻辑一致性。

实验结果

研究问题

• RQ1 是否存在一种形式化系统，能够将一阶逻辑与贝叶斯概率统一，以支持在关系型、不确定及开放世界领域中的一致性推理？
• RQ2 如何在不损失一致性或可处理性的前提下，使概率模型能够表示无限数量的实体及其动态、递归关系？
• RQ3 是否可能为任意一致的、有限公理化的第一阶理论的模型，定义一个唯一且形式良好的联合概率分布，即使在无限领域中也成立？
• RQ4 如何在保持逻辑与概率一致性的同时，逐步向理论中添加新公理？
• RQ5 该形式化系统是否能够以自然且可扩展的方式支持递归模式，例如传感器数据中的时序依赖？

主要发现

• MEBN 证明了对任意一致的、有限公理化的第一阶理论，其模型上存在一致的、全局一致的联合概率分布，即使在无限领域中也成立。
• 该框架天然支持递归和动态关系，克服了标准贝叶斯网络和动态贝叶斯网络的关键局限。
• MEBN 通过可重用的参数化片段表示无限多个实体和关系，实现了可扩展且可扩展的推理。
• 该系统提供了一套证明理论，可在有限步内检测不一致性，并收敛到正确的概率查询结果。
• MEBN 通过贝叶斯条件化支持增量式理论精炼，使模型能够根据新观测和公理进行更新。
• 该形式化系统具有足够的通用性，可作为概率本体的基础，这一点通过其在《星际迷航》场景中的应用以及向 PR-OWL 扩展以支持语义网得到了证明。