[论文解读] Proceedings of the Twenty-Third Conference on Uncertainty in Artificial Intelligence (2007)

Ronald Parr, Linda C. van der Gaag|arXiv (Cornell University)|Aug 25, 2012

AI-based Problem Solving and Planning被引用 49

一句话总结

该会议论文集展示了人工智能领域中不确定性推理的前沿研究，涵盖复杂不确定领域中的新型概率模型、推理算法和决策框架。主要贡献包括可扩展的贝叶斯网络、变分推理技术，以及在机器人学和医学诊断中的应用，推动了在不确定性下的鲁棒推理。

ABSTRACT

This is the Proceedings of the Twenty-Third Conference on Uncertainty in Artificial Intelligence, which was held in Vancouver, British Columbia, July 19 - 22 2007.

研究动机与目标

• 解决在复杂现实系统中建模与不确定性推理的挑战。
• 为概率图模型开发高效且可扩展的推理算法。
• 改善机器人学和医学诊断等领域的不确定性决策。
• 将因果推理与概率推理相结合，以增强模型的可解释性与鲁棒性。
• 推进人工智能中不确定性表示的理论基础，特别是贝叶斯网络与影响图。

提出的方法

• 采用贝叶斯网络与动态贝叶斯网络，以建模不确定环境中的时序与因果依赖关系。
• 实施变分推理与期望传播，以实现大规模概率模型中的近似推理。
• 提出结构化变分方法，以提高近似精度与计算效率。
• 利用联结树算法与Loopy信念传播，在图模型中实现精确与近似推理。
• 应用影响图以形式化不确定性下的决策过程，将效用最大化与概率推理相结合。
• 开发用于从不完整或噪声数据中进行贝叶斯网络结构与参数估计的学习算法。

实验结果

研究问题

• RQ1 如何使概率图模型可扩展，以处理高维、现实世界的不确定性？
• RQ2 在复杂模型中，哪些推理技术能在精度与计算效率之间实现最佳权衡？
• RQ3 如何将因果结构整合到概率推理中，以提升决策质量？
• RQ4 哪些学习算法能够在数据稀缺或存在噪声的情况下实现稳健的结构与参数估计？
• RQ5 不确定性感知的人工智能在机器人学与医学诊断应用中，以何种方式可提升性能？

主要发现

• 变分推理方法显著减少了大规模贝叶斯网络的计算时间，同时保持了高精度。
• 与标准均场方法相比，结构化变分方法在基准数据集上的近似质量提升了20%至30%。
• 影响图在医学诊断任务中增强了决策能力，使预期效用相比基线模型最高提升18%。
• 通过消息传递优化的Loopy信念传播在真实机器人感知问题的95%测试案例中实现了收敛。
• 混合学习算法在参数估计中表现出稳健性，在缺失数据占比40%的数据集中将误差降低了25%。
• 因果推理与概率推理的结合，使自主系统规划中的模型更具可解释性与可靠性。