Teoria Dempstera-Shafera:Świeże spojrzenie po ćwierćwieczu

• Autorzy: Mieczysław Kłopotek
• Języki publikacji: PL

Abstrakty

Nowoczesne systemy ekspertowe mają na celu operatywną reprezentację teorii matematycznej określonego wycinka rzeczywistości. Ich mocną stroną jest zdolność do przedstawienia określonej teorii matematycznej w postaci czytelnej dla użytkownika systemu. Istotna jest zatem metoda reprezentacji wiedzy. Operatywność oznacza, że wiedza ta nie będzie przechowywana w sposób bierny, lecz czynny - konieczna jest maszyna wnioskująca pozwalająca na wykorzystanie tej wiedzy do rozwiązywania określonych zagadnień. Wreszcie zawsze istotne jest pytanie, na ile teoria matematyczna jest zgodna z rzeczywistością, o której się wnioskuje? Potrzebne są więc narzędzia do weryfikacji i pozyskiwania wiedzy, w tym coraz aktualniejsze dzisiaj metody pozyskiwania wiedzy z danych. Sztuka konstruowania systemu ekspertowego polega na tym, aby znaleźć nietrywialny schemat reprezentacji wiedzy, dla którego istnieją efektywne metody wnioskowania, a także pozyskiwania wiedzy. Nie należą do rzadkości sytuacje, w których model rzeczywistości, o której system ekspertowy ma wnioskować, nie jest dobrze poznany, ma charakter niepewny, niepełny itp. W takich sytuacjach znajdują zastosowanie systemy ekspertowe z modelowaniem niepewności. Jednym z lepiej zbadanych i najwcześniej stosowanym modelem niepewności wiedzy i/lub danych jest model wnioskowania bayesowskiego, w tym opartego na sieciach bayesowskich. Znane są różnorodne mechanizmy wnioskowania na sieciach bayesowskich, a także metody weryfikacji modeli bayesowskich z danych, jak również pozyskiwania wiedzy w postaci sieci bayesowskich z danych.(fragment tekstu)

Słowa kluczowe

PL

Sieci bayesowskie; Systemy ekspertowe; Teoria prawdopodobieństwa

EN

Bayesian network; Expert systems; Probability theory

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 1994
• Tom: Metody formalne w inteligentnych systemach informatycznych
• Strony: 35-58

Twórcy

autor

Mieczysław Kłopotek

Bibliografia

• ---
• Cano J., Delgado M., Moral S.: An axiomatic framework for propagating uncertainty in directed acyclic networks. "International Journal of Approximate Reasoning". 1993, No 8, s. 253-2§0
• Chasu C., Lingras P., Wong S.: Upper and lower entropies of belief functions using compatible probability functions, in: J. Komorowski, Z.W. Raś (Eds): Methodologies for Intelligent Systems, 7th International Symposium, ISMIS'93, Torndheim, Norway, June 1993; Proceedings, Lecture Notes in Artificial Intelligence 689, Springer-Verlag, 1993, s. 306-315
• daSilva W.T., Milidiu R.L.: Algorithms for combining belief functions. "International Journal of Approximate Reasoning" 1992, No 7, s.73-94
• de Korvin A., Kleyle R., Lea R.: The object recognition problem when features fail to be homogenous. "International Journal of Approximate Reasoning" 1993, No 8, s. 141-162
• Dempster A.P.: Upper and lower probabilities induced by a multi-valued mapping, Ann. Math. Stat. 38 (1967), s. 325-339
• Dubois D., Prade H.: Evidence, knowledge and belief functions. "International Journal of Approximate Reasoning" 1992, No 6, s. 295-319
• Durham S.D., Smolka J.S., Valtorta M.: Statistical consistency with Dempster's rule on diagnostic trees having uncertain performance parameters. "International Journal of Approximate Reasoning" 1992, No 6, s. 67-81
• Fagin R., Halpern J.Y.: Uncertainty, belief, and probability. "Comput. Intel" 1991, No 7, s. 160-173
• Fagin R., Halpern J.Y.: A new approach to updating beliefs, in: J.F. Lemmer, L.N. Kanal (eds): Uncertainty in Artificial Intelligence 6. North Holland Amsterdam 1991, s. 347-374.
• Gordon J., Shortliffe E.H.: The Dempster-Shafer theory of evidence, in: G. Shafer, J. Pearl (eds): Readings in Uncertain Reasoning. Morgan Kaufmann Publishers Inc., San Mateo, California 1990, s. 529-539
• Geiger D., Verma T., Pearl J.: d-Separation: From theorems to algorithms, M. Henrion, R.D. Schachter, L.N. Kamal, J.F. Lemmer (eds): Uncertainty in Artificial Intelligence 5, Elsevier Science Publishers B.V. North Holland 1990, s. 139-148
• Halpern J.Y., Fagin R.: Two views of belief: belief as generalized probability and belief as evidence. "Artificial •Intelligence" 1992, No 54, s. 275-317
• Kelly C.W. Ill and Barclay S.: A general Bayesian model for hierarchical inference. "Organizational Behavior and Human Performance" 1973, No 10, s. 388-403
• Kłopotek M.A., Maciej M., Wierzchoń S.T.: Ekstrakcja wiedzy w sieci bayesowskiej. W: M. Dąbrowski, M. Michalewicz: Praktyczne aspekty sztucznej inteligencji. Materiały z konferencji. Zakopane 1993, s. 88-99
• Kłopotek M.A.: Algorytmy generacji wiedzy dla systemów ekspertowych. Materiały: II Krajowa Konferencja Naukowa Inżynieria Wiedzy i Systemy Ekspertowe. Wydawnictwo Politechniki Wrocławskiej. Wrocław 1993, s. 213-220
• Kłopotek M.A.: Regułowy interfejs dla bayesowskich i dempsterowsko-shaferowskich sieci przekonań. VI Ogólnopolskie Konwersatorium na temat: Cybernetyka-Inteligencja-Rozwój. Siedlce 1993, s. 69-79
• Kłopotek M.A.: Probabilistyczne ujęcia teorii Dempstera-Shafera - Krytyczna analiza w świetle zagadnienia identyfikacji struktury z danych. VI Ogólnopolskie Konwersatorium na temat: Cybernetyka-Inteligencja-Rozwój, Siedlce 1993, s. 80-93. 18. Kłopotek M.A.: p-d-Separation - a new concept for expressing de-pendence/independence relations in causal networks. Prace IPI PAN. Nr 731, Warszawa 1993
• Kłopotek M.A.: Dempster-Shafer Belief Function. A New Interpretation (maszynopis)
• Kłopotek M.A.: Belief as probabilisty and as update scheme: A reconciled view (maszynopis)
• Kłopotek M.A.: Beliefs in Markov Trees - Frees Local Computations to Lacal Valuation. Proc. 12th European Meeting on Cybernetics and System Research 5-8 April 1994, World Scientific Publ, (w druku)
• Kyburg Jr H.E.: Bayesian and non-Bayesian evidential updating. "Artificial Intelligence" 1987, No 31, s. 271-293
• Lauritzen S.L., Spiegelhalter D.J.: Local computations with probabilities on graphical structures and their application to expert system (wiuth discussion). "Journal of the Royal Statistical Society" 1988, Series B, No 50(2), s. 157-224
• Pearl J.: Fusion, propagation and structuring in belief networks. "Artificial Intelligence" 1986, No 29, s. 241-288
• Provan G.M.: The validity of Dempster-Shafer belief functions. "International Journal of Approximate Reasoning" 1992, No 6, s. 389-399
• Ruspini E.H., Lowrance D.J., Strat T.M.: Understanding evidential reasoning. "International Journal of Approximate Reasoning" 1992, No 6, s. 401-424
• Shafer G.: A Mathematical Theory of Evidence. Princeton University Press. Princeton 1976
• Shafer G.: Belief functions and possibility measures, in: J. Bezdek (eds): Anallysis of fuzzy information, Vol.: Mathematics and logic, Boca Raton Fla.: CRC Press 1987, s. 51-84
• Shafer G., Shenoy P.P., Mellouli K.: Propagating belief functions in quantitative Markov trees. "International Journal of Approximate Reasoning" 1987, No 1(4), s. 349-400
• Shafer G.: Belief functions: An introduction. In: G. Shafer, J. Pearl (eds): Readings in Uncertain Reasoning, Morgan Kaufmann Publishers Inc., San Mateo, California 1990, s. 473-482
• Shafer G., Srivastava B.: The Bayesian and Belief-Function Formalisms. A General Prospetive for Auditing, in: G. Shafer, J. Pearl (eds): Readings in Uncertain Reasoning, Morgan Kaufmann Publishers Inc., San Mateo, California 1990, s. 482-521
• Shafer G.: Perspectives on the theory and practice of belief functions. "International Journal of Approximate Reasoning" 1990, No 4, s. 323- 362
• Shenoy P., Shafer G.: Axioms for probability and belief-function propagation. In: R.D. Shachter, T.S. Levit, L.N. Kanał, J.F. Lemmer (eds): Uncertainty in Artificial Intelligence 4, (Elsevier Science Publishers B.V.) North Halland 1990, s. 169-198
• Smets Ph.: Resolving misunderstandings about belief funcitons. "International Journal of Approximate Reasoning" 1992, No 6, s. 321-344
• Wasserman L.: Comments on Shafer's "Persectives on the theory and practice of belief functions". "International Journal of Approximate Reasoning" 1992, No 6, s. 367-375
• Zarley D.K., Hsia Y., Shafer G.: Evidential reasoning using DELIEF, Proc. of the Seventh National conference on Artificial Intelligence (AAAI-88), 1, Manneapolis 1988, s. 205-209