人工智能19解析.ppt

第19章 用不确定信息进行推理 概率论简介 概率推理 贝叶斯网 贝叶斯网的推理模式 不确定证据 D分离 在polytree中的概率推理 补充读物和讨论 第19章 用不确定信息进行推理 一个agent关于它的任务和环境常常只有不确定的信息。到目前为止所讨论的技术对不确定知识的表示和推理能力十分有限。一条语句如P ∨ Q允许我们表示不确定性——P和Q哪一个是真的，但是还没有描述如何表示关于P或 Q不确定的程度。 各种形式化已被用来对不确定信息进行表示和推理。开发的最好的形式化是基于概率的。 19.1 概率论简介 假定有随机变量V1,V2,…Vk的一个集合。当我们想谈论Vi的值而没有说这个值是什么时，我们使用符号Vi 。在例子中，随机变量代表一个所讨论领域的特征。随机变量的值可以是不同的类型。如果变量代表命题，它们的值是True或False；如果代表物理度量，则值是数字；如果代表分类，则值是范畴。 我们用表达式p(V1=ν1,V2 =ν2,…Vk =νk)指称一个联合概率。即变量V1,V2,…Vk的值分别是ν1, ν2, νk,时的概率。表达式p(V1,V2,…Vk)叫做变量V1,V2,…Vk的联合概率函数。 概率函数必须满足一定的属性，它们是： (a) 0≤ p(V1,V2,…Vk) ≤ 1 上式适用于变量的任何分配值 (b) ∑ p(V1,V2,…Vk) =1 19.1 概率论简介 在本章的应用例子中，变量对应一个域的命题。本章被描述的技术可以被认为是使用谓词逻辑进行表示和推理的概率方案。正在开发的一阶逻辑概率方案是一个前沿的研究课题。 当我们知道一个随机变量集合的联合概率的所有值时，就能计算这些随机变量之一的边缘概率（marginal probability）。 更低阶数的联合概率也能通过对所有联合概率的合适项相加而计算得到。 给定一个随机变量集合的完全联合概率函数（如一个表），从理论上讲，就能计算所有的边缘概率和所有的更低阶的联合概率。 19.1 概率论简介 当有一个极大的随及变量组合时，指定所有的联合概率的任务就变得不可处理，更不用说低阶概率了。 在大多数应用中，联合概率要满足一定的条件，这些条件使得对它们的说明和计算变得可行。 19.1.2 条件概率 我们能用一些变量值的信息来获得其他变量值的概率。和逻辑推理方法相似，这样的计算叫做概率推理。 给定Vj, Vi的条件概率函数由p(Vi|Vj)表示，对变量Vi和Vj的任何值，可以给出： p(Vi|Vj)=P(Vi,Vj)/p(Vj) 一个条件概率是对一个联合概率的规范化。上面的等式叫做贝叶斯法则。 一个条件概率链表表达一个联合概率。比如： 这个链规则的一般式是： 19.2 概率推理 一个一般的方法： 概率推理的一般情景是：有命题变量的一个集合，并给定了子集中的变量的某些值。作为证据。在agent应用中，这些“给定”的变量通常是由感知过程决定的值。 给定证据时变量V的值的条件概率。我们把这个过程叫概率推理。 人是如何对不确定信息有效地推理的？Pearl推测人类通过一个特殊的方式把一个领域的知识公式化来做推理。 19.2.2 条件独立 给定变量集合Vj, 如果p(V|Vi,, Vj)=p(V|Vj)那么我们说变量V条件独立于变量集Vi，用符号I(V,Vi, | Vj)由p(Vi|Vj)表示，对变量和的任何值，可以给出： p(Vi|Vj)=P(Vi,Vj)/p(Vj) 给定一个集合V，如果一个变量是条件独立于另一个变量，则有 19.3 贝叶斯网 一个贝叶斯网是一个有向无环图(DAG)，它的节点用随机变量标识。 贝叶斯网有时叫因果网，因为可以将连接节点的弧认为是表达了直接的因果关系。 为了计算给定贝叶斯网的联合概率值，我们需要知道恰恰以它的父节点为条件的每个节点的条件概率函数。对没有父节点的节点，概率不以其他节点为条件，这些叫做这些变量的先验概率。 因此一个随机变量集合的概率的一个完整说明涉及到这些变量的一个贝叶斯网及网中每个变量的条件概率表（CPT）。 19.3 贝叶斯网 由贝叶斯网所做的假设要求我们仅指定8个概率。当在领域中的变量中有几个条件独立时，从贝叶斯网计算的联合概率表达式要求的概率规范比没有这些独立时的还要少。这种减少有时会使难处理的问题变得可处理。 19.4 贝叶斯网的推理模式 因果推理或由上向下推理 诊断推理或自底向上推理 辩解 19.5 不确定证据 即使通过一个贝叶斯网给出的简化，用于从一个联合概率计算各种条件概率的强制方法对大的网络来讲，一般仍是难处理的。 它的最坏时间复杂度是命题变量的指数。 幸运的是，有几个简便方法可用于计算特殊网络的条件概率。 19.8 补充读物和讨论 一些研究者认为非单调推理能用概率方法最好地处理。