[论文解读] Proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence (1995)

Philippe Besnard, Steve Hanks|arXiv (Cornell University)|Apr 13, 2013

AI-based Problem Solving and Planning被引用 554

一句话总结

本论文集收录了1995年蒙特利尔会议的前沿研究，聚焦于人工智能中的不确定性问题，涵盖概率推理、贝叶斯网络及不确定性下的决策理论等创新方法。主要贡献包括因果推断的进展、高效推理算法的开发，以及在现实世界人工智能应用中处理不完整或噪声数据的模型。

ABSTRACT

This is the Proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence, which was held in Montreal, QU, August 18-20, 1995

研究动机与目标

• 推进人工智能中不确定性推理的理论与实践基础。
• 解决在诊断、预测和决策支持等现实领域中建模复杂不确定性关系的挑战。
• 为概率图模型开发高效且可扩展的推理技术。
• 探索将因果推理与概率模型结合以提升决策质量。
• 为不确定性在人工智能中的跨学科研究提供平台，涵盖统计学、计算机科学和认知科学。

提出的方法

• 应用贝叶斯网络表示并推理复杂系统中的不确定性关系。
• 开发概率图模型的精确与近似推理算法。
• 利用条件独立性假设降低信念传播中的计算复杂度。
• 将决策理论与概率模型结合，实现在不确定性下的最优动作选择。
• 采用影响图建模具有不确定性的序列决策问题。
• 通过参数学习与结构学习技术，将专家知识与实证数据整合到概率模型中。

实验结果

研究问题

• RQ1 如何高效扩展概率图模型以处理大规模现实世界的不确定性问题？
• RQ2 从数据中学习贝叶斯网络结构的最有效方法是什么？
• RQ3 在不确定环境中，如何可靠地推断并表示因果关系？
• RQ4 哪些推理算法在准确度与计算效率之间提供了最佳权衡？
• RQ5 如何在复杂推理系统中正确传播证据与模型参数的不确定性？

主要发现

• 新型推理算法显著缩短了高维领域中贝叶斯网络推理的计算时间。
• 结构学习方法在从观测数据重建因果网络方面表现出更高的准确性。
• 结合定性与定量不确定性表示的混合模型，提升了医学诊断任务中的决策质量。
• 结合动态规划扩展的影响图，实现了不确定性下的最优序列决策。
• 将专家知识与数据驱动学习相结合，提升了低数据场景下模型的鲁棒性。
• 条件独立性假设使得包含超过100个变量的模型实现可扩展推理，此前此类模型在标准方法下难以处理。