[论文解读] Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence (1999)

Kathryn Blackmond Laskey, Henri Prade|arXiv (Cornell University)|Apr 13, 2013

AI-based Problem Solving and Planning被引用 377

一句话总结

这篇论文介绍了第15届人工智能不确定性会议（UAI 1999）的会议论文集，该会议于1999年在瑞典斯德哥尔摩举行，收录了78篇经过同行评审的论文，内容涵盖概率推理、贝叶斯网络以及人工智能中的不确定性建模。会议推动了不确定性推理方法的发展，关键贡献包括图模型、推理算法以及不确定性下的决策制定。

ABSTRACT

This is the Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence, which was held in Stockholm Sweden, July 30 - August 1, 1999

研究动机与目标

• 汇集人工智能不确定性建模领域的领先研究人员。
• 应对复杂系统中不确定性推理、学习和决策制定的挑战。
• 提出用于概率图模型与推理的新算法和理论框架。
• 促进人工智能、统计学与机器学习领域在不确定性量化方面的跨学科交流。
• 记录当时贝叶斯网络、影响图和随机推理的前沿研究成果。

提出的方法

• 对78篇关于人工智能不确定性的原创研究论文进行收集与同行评审。
• 以图形模型，特别是贝叶斯网络，作为表示概率关系的基础框架。
• 应用精确与近似推理算法，以实现在大规模系统中的概率推理。
• 结合决策理论模型，包括影响图，以实现不确定性下的最优决策。
• 整合用于概率模型结构与参数估计的学习技术。
• 提出关于推理方法一致性、收敛性与复杂性的理论结果。

实验结果

研究问题

• RQ1 概率图模型如何被有效用于表示和推理人工智能系统中的不确定性？
• RQ2 针对大型贝叶斯网络，最高效且准确的推理算法是什么？
• RQ3 如何改进学习算法，以在不确定性下从数据中推断结构与参数？
• RQ4 近似推理方法在概率模型中的理论极限与权衡是什么？
• RQ5 如何利用影响图与效用理论形式化并优化不确定性下的决策制定？

主要发现

• 会议确立了贝叶斯网络作为人工智能应用中不确定性建模的主导形式化方法。
• 多篇论文提出了可扩展的推理算法，显著降低了大规模网络的计算复杂度。
• 提出了新的学习方法，提高了高维数据中结构发现的准确性。
• 理论分析证实了变分推理技术在特定模型类别中的收敛性。
• 影响图被扩展以支持动态和部分可观察的决策问题，并具备实际应用价值。
• 论文集凸显了将不确定性建模整合到现实世界人工智能系统中的日益增长趋势，例如医学诊断与机器人技术。