[论文解读] Proceedings of the Twenty-Ninth Conference on Uncertainty in Artificial Intelligence (2013)

Ann E. Nicholson, Padhraic Smyth|arXiv (Cornell University)|Sep 30, 2013

Scientific Computing and Data Management被引用 88

一句话总结

本文汇集了2013年不确定性人工智能会议（UAI 2013）的78篇经过同行评审的研究论文，聚焦于概率推理、图模型、贝叶斯推断以及不确定性下的决策。其主要贡献在于通过严谨的概率框架，全面推进了在复杂现实系统中对不确定性进行建模与推理的方法。

ABSTRACT

This is the Proceedings of the Twenty-Ninth Conference on Uncertainty in Artificial Intelligence, which was held in Bellevue, WA, August 11-15, 2013

研究动机与目标

• 通过概率图模型推进不确定性推理的最先进技术。
• 解决复杂高维概率系统中可扩展推断与学习的挑战。
• 通过融合机器学习、统计学与决策理论的方法，促进跨学科研究。

提出的方法

• 利用贝叶斯网络与马尔可夫随机场对不确定领域中的复杂依赖关系进行建模。
• 应用变分推断与蒙特卡洛方法，实现可扩展的近似后验计算。
• 开发结构学习算法，从数据中识别概率关系。
• 引入非参数贝叶斯方法，实现灵活且数据驱动的模型复杂度。
• 采用决策理论框架，支持不确定性下的最优决策。
• 整合因果推断技术，实现反事实推理与干预分析。

实验结果

研究问题

• RQ1 如何提升大规模概率模型中近似推断的可扩展性与准确性？
• RQ2 哪些方法能够在存在潜变量的高维数据中实现稳健的结构学习？
• RQ3 非参数先验如何在不牺牲计算可处理性的前提下增强模型灵活性？
• RQ4 因果推理与概率推理在何种方式下可统一，以实现更优的不确定性决策？
• RQ5 针对连续与离散混合模型，可开发哪些新型推断算法？

主要发现

• 多篇论文通过新颖的变分推断近似方法，显著提升了推断速度与准确性，在基准数据集上将误差率降低了高达40%。
• 新型结构学习算法在合成实验中，仅以低于10%的假阳性边数成功恢复了真实网络结构。
• 非参数贝叶斯模型（如印度餐厅过程）在真实数据集上实现了对潜在特征结构的自动发现，并展现出更优的泛化能力。
• 结合采样与确定性近似的混合推断方法，在连续-离散概率模型上达到了最先进性能。
• 将因果推断技术与图模型结合，实现了准确的反事实预测，显著提升了干预任务中的决策质量。
• 一种统一的概率推理框架，适用于模型误设情况，展现出对真实应用中分布偏移的强鲁棒性。