'

ВВЕДЕНИЕ В БАЙЕСОВСКИЕ СЕТИ

Понравилась презентация – покажи это...





Слайд 0

1 ВВЕДЕНИЕ В БАЙЕСОВСКИЕ СЕТИ Алгоритмы для Интернета, ИТМО & СПбГУ С.-Петербург, 26 октября 2006 Рук. семинара Ю.М. Лифшиц Логико-вероятностная модель баз фрагментов знаний с неопределенностью Александр Львович Тулупьев ведущий научный сотрудник лаборатория прикладной информатики Санкт-Петербургский институт информатики и автоматизации РАН вице-президент Российской ассоциации нечетких систем и мягких вычислений ALT@iias.spb.su Александр Владимирович Сироткин аспирант лаборатория прикладной информатики Санкт-Петербургский институт информатики и автоматизации РАН avs@iias.spb.su


Слайд 1

2 ПЛАН БС — что это БС — праксис и генезис Вероятностная логика Фрагменты знаний (ФЗ) Алгебраические байесовские сети Байесовские сети доверия БС — дидактическое применение БС — монография


Слайд 2

3 ПЛАН БС — что это БС — праксис и генезис Вероятностная логика Фрагменты знаний (ФЗ) Алгебраические байесовские сети Байесовские сети доверия БС — дидактическое применение БС — монография


Слайд 3

4 Идеологическое определение Байесовские сети --- это графические структуры для представления вероятностных отношений между большим количеством переменных и для осуществления вероятностного вывода на основе этих переменных. Learning Bayesian Networks Neapolitan R.E., 2004


Слайд 4

5 Уточнение-1 Предположение, лежащее в основе любой вероятностной сети, заключается в том, что, в то время как общая проблема чересчур сложна для применения наивных методов вычисления и обновления вероятностей…, отдельные клики… имеют приемлемый, разумный размер… Probabilistic Networks and Expert Systems Cowell R.G. et al., 2004


Слайд 5

6 Уточнение-2 …В частности, мы предполагаем, что можем производить (пользуясь, например, «грубой силой», т.е. подходом по определению) любые желаемые операции, такие, как маргинализацию или нормировку, внутри любой клики, но необязательно непосредственно для всей сети сразу… Probabilistic Networks and Expert Systems Cowell R.G. et al., 2004


Слайд 6

7 Уточнение-3 Наша цель --- использовать структуру сети для того, чтобы распространить такие вычисления на полный набор переменных. Probabilistic Networks and Expert Systems Cowell R.G. et al., 2004


Слайд 7

8 Цель --- представить распределение вероятностей (или их семейство) над (большим числом) переменных, в общем виде выглядящее как


Слайд 8

9 И допускающее декомпозицию


Слайд 9

10 Байесовские сети доверия


Слайд 10

11 Алгебраические байесовские сети


Слайд 11

12 АБС (графы и деревья смежности)


Слайд 12

13 ПЛАН БС — что это БС — праксис и генезис Вероятностная логика Фрагменты знаний (ФЗ) Алгебраические байесовские сети Байесовские сети доверия БС — дидактическое применение БС — монография


Слайд 13

14 Почему БС востребованы ИИ (МВ): знания с неопределенностью, фрагменты знаний, базы фрагментов знаний Статистика: много переменных, связи всех со всеми неописуемые и неоцениваемые, зато отдельные скопления можно неплохо охарактеризовать Техника: декомпозируемость систем, знание свойств элементов и связей между ними


Слайд 14

15 Что предшествовало Анализ родословных для поиска источника и путей передачи генетических аномалий. Представление результатов статистических наблюдений, когда наблюдаемых переменных очень много, но их удается разбить на условно независимые наборы.


Слайд 15

16 БС применяются в медицине Для быстрой постановки диагноза, чтобы выбрать правильное учреждение для госпитализации Для дифференциальной диагностики заболеваний, симптоматические проявления которых сходны [но не совпадают полностью]


Слайд 16

17 БС применяются в технологических процессах Для диагностики отказов и дефектов В драйверах принтеров Для анализа результатов тестирования ПО Для оптимизации запросов в БД Для представления результатов data mining


Слайд 17

18 БС применяются в научных исследованиях Диагностика концентрации уровня кислорода в озере (PhD Thesis!) Геномика и биоинформатика Все то же представление результатов статистической обработки


Слайд 18

19 Потенциальная применимость БС Теория надежности структурно сложных систем (ЛВМ --- адм. И.А. Рябинин)


Слайд 19

20 БС в учебном процессе Подробнее --- немного позже. Основное Комбинирование и актуализация знаний из нескольких дисциплин; Все объекты и предметы исследования «под рукой»; Полигон для применения программных технологий.


Слайд 20

21 Немного об истории Логика (от Аристотеля и раньше); Вероятностная логика (от Дж. Буля и позже); в ИИ удачно ввел Н. Нильссон в 1986; различные формализации, мы пользуемся Хальперном, Фагином и Меггиддо; Байесовские сети (БСД – Дж. Пиэрл, АБС – В.И. Городецкий), еще и марковские сети (???); история этим не исчерпывается; смежные дисциплины...


Слайд 21

22 Немного об особенностях Очень большой упор на графическое представление отношений независимости и условной независимости. Стремление избежать обсуждения тех проблем, решения которых они не знают (подмена циклов последовательностью фрагментов знаний, …) А нам бы о представлении данных хотелось бы поговорить побольше, непротиворечивость посмотреть, алгоритмы вывода выписать и сделать понятными, на доступные программные технологии опереться.


Слайд 22

23 БСД: литература Статьи Pearl J. (1985). How to Do with Probabilities what People Say You Can't. Artificial Intelligence Applications. Ed. Weisbin C.R., IEEE, North Holland, pp. 6--12. Pearl J. (1986). Fusion, Propagation, and Structuring in Belief Networks. Artificial Intelligence, vol. 29. Elsevier Science Publishers B.V., North Holland, pp. 241--288. Pearl J. (1986a). Constraint-Propagation Approach to Probabilistic Reasoning. Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). Eds. Kanal L.N., Lemmer J.F. Vol. 4, Elsevier Science Publishers B.V., North Holland, pp. 357--369. Pearl J. (1986b). On Evidentional Reasoning in Hierarchy of Hypotheses. Artificial Intelligence, vol. 28. Elsevier Science Publishers B.V., North Holland, pp. 9--15. Pearl J. (1986c). Distributed Revision of Composite Beliefs. Artificial Intelligence, vol. 33. Elsevier Science Publishers B.V., North Holland, pp. 173--215. Монографии Pearl J. (1988). Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann Publishers, 552 pp. Pearl J. (2000). Causality: Models, Reasoning, and Inference. Cambridge University Press, 386 pp. Jensen F.V.(2001). Bayesian Networks and Decision Graphs. Springer-Verlag, NY. 268 pp. Korb K.B., Nicholson A.E. (2004). Bayesian Artificial Intelligence. Chapman and Hall/CRC, 364 pp. Kyburg H.E. Jr. (2001). Uncertain Inference. Cambridge University Press, 298 pp. Lauritzen, S. L. (1996). Graphical Models, Oxford University Press, Oxford, 1996. Neapolitan R.E. (2004). Learning Bayesian Networks. Pearson Prentice Hall, 674 pp. Nilsson N.J. (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann Publishers, 514 pp.


Слайд 23

24 АБС: литература Gorodetsky V.I., Drozdgin V.V., Jusupov R.M. Application of Attributed Grammar and Algorithmic Sensitivity Model for Knowledge Representation and Estimation // Artificial Intelligence and Information, Control Systems of ROBOTSA. North Holland, Elsevier Science Publ., 1984. pp. 232--237. Городецкий В.И. Байесовский вывод. АН СССР, ЛИИАН, Препринт № 149. Л., 1991. Городецкий В.И. Алгебраические байесовские сети --- новая парадигма экспертных систем // Юбилейный сборник трудов институтов Отделения информатики, вычислительной техники и автоматизации Российской Академии наук, т. 2. М., РАН, 1993. с. 120--141. Городецкий В.И., Тулупьев А.Л. Формирование непротиворечивых баз знаний с неопределенностью // Известия РАН. Серия "Теория и системы управления». 1997. №5. Тулупьев А.Л. Алгебраические байесовские сети. Теоретические основы и непротиворечивость. СПб.: СПИИРАН, 1995. 76 с. Тулупьев А.Л. Алгебраические байесовские сети. Логико-вероятностный подход к моделированию баз знаний с неопределенностью. СПб.: СПИИРАН, 2000. 292 с. Тулупьев А.Л., Николенко С.И., Сироткин А.В. Байесовские сети: логико-вероятностный подход. СПб.: Наука, 2006. 607 с.


Слайд 24

25 Веб-сайты БСД: стоит начинать с www.auai.org АБС: сайт в разработке, можно периодически проверять www.spiiras.nw.ru (а пока пользоваться Зеленой книгой)


Слайд 25

26 ПЛАН БС — что это БС — праксис и генезис Вероятностная логика Фрагменты знаний (ФЗ) Алгебраические байесовские сети Байесовские сети доверия БС — дидактическое применение БС — монография


Слайд 26

27 БА пропозициональных формул Универсум, множество атомов, множество булевских переменных, Множество атомарных пропозиций… Алгебра пропозициональных формул, построенных над заданным универсумом. Фактор-алгебра классов тождественных пропозициональных формул. Как правило, далее эквивалентные формулы не различаются. В частности, вероятности истинности эквивалентных формул будут совпадать. true или 1 --- тождественная истина, константа false или 0 --- тождественная ложь, константа, ?(f) --- истинностное означивание пропозициональной формулы f.


Слайд 27

28 Аргументное место (литерал) Аргументное место или литерал. Используется как обозначение означивания атомарной формулы x или как скользящий индекс. Внутри одной и той же формулы означивания одного и того же аргументного места совпадают. Возможные несовпадения оговариваются отдельно.


Слайд 28

29 Логические операции Знак конъюнкции, как правило, опускают: вместо x?y пишут xy.


Слайд 29

30 Кванты Пусть нам задан набор атомов . Квантом называется конъюнкция, в которую входят все атомы из набора. Каждый атом входит с одним из означиваний: либо положительным либо отрицательным. Пример записи кванта, краткой и полной. Обозначение множества квантов: Пример:


Слайд 30

31 Конъюнкты Пусть нам задан набор атомов . Конъюнктом называется конъюнкция положительно означенных атомов из набора. В эту конъюнкцию атом либо входит, либо вообще не входит. Один положительно означенный атом тоже является конъюнктом. Пустая конъюнкция (пустой конъюнкт) эквивалентен тождественной истине. --- примеры конъюнктов. --- краткая запись конъюнкта.


Слайд 31

32 Теорема о СДНФ


Слайд 32

33 Идеал конъюнктов Также можно рассматривать идеал с пустым конъюнктом.


Слайд 33

34 Особенности идеала Множество всех непустых конъюнктов над заданным набором атомов --- идеал; Множество всех (все непустые и один пустой) конъюнктов над заданным набором атомов --- идеал; Непустое пересечение идеалов --- идеал.


Слайд 34

35 Идеал конъюнктов 4-го порядка


Слайд 35

36 ПРИМЕР (1) . , , , .


Слайд 36

37 ПРИМЕР (2) . , , ,


Слайд 37

38 Вероятность истинности Подход по Н. Нильссону (1986 г.) Более глубокая формализация дана в работах коллектива Фагина, Хальперна, Миггидо (пригодна для рассуждений об оценках сложности) Другие глубокие формализации Спор о приоритетах (de Finetti…) Дж. Буль --- тоже писал о вероятности пропозиции


Слайд 38

39 НАБОР ПРОПОЗИЦИЙ


Слайд 39

40 Возможные миры


Слайд 40

41 Допустимые миры


Слайд 41

42 Вероятность пропозиции В рамках подхода Н. Нильссона мы рассуждаем о вероятности истинности пропозиции; Для краткости говорят вероятность пропозиции


Слайд 42

43 Теорема о СДНФ


Слайд 43

44 КВАНТЫ: Множество элементарных событий


Слайд 44

45 ВЕРОЯТНОСТЬ ПРОПОЗИЦИИ


Слайд 45

46 Индексация конъюнктов (дизъюнктов) и квантов


Слайд 46

47 Случайные бинарные последовательности


Слайд 47

48 Базовые понятия ТВ на языке СБП


Слайд 48

49 Кванты и вероятность истинности


Слайд 49

50 Конъюнкты и вероятность истинности


Слайд 50

51 Вероятности квантов и конъюнктов Связи между наборами квантов и конъюнктов будет обсуждаться ещё неоднократно, поскольку кванты формируют множество элементарных событий, а конъюнкты --- идеал, образующий одну из моделей фрагмента знаний.


Слайд 51

52 Интервальная вероятность конъюнкции Оценки вероятностей не могут быть произвольно назначены. Вероятности истинности пропозициональных формул находятся в определенных отношениях. Вместе с тем, по точечным оценкам вероятностей одних формул даже в простейших случаях не всегда удается восстановить точечные оценки вероятностей других формул (без привлечения дополнительных предположений). --- дано.


Слайд 52

53 Modus ponens И в этом случае даже из точечных оценок вероятностей в антецеденте будут получаться, как правило, интервальные оценки вероятностей в консеквенте. Кроме того, некоторые сочетания оценок в антецеденте будут противоречить аксиоматике вероятностной логики.


Слайд 53

54 ПЛАН БС — что это БС — праксис и генезис Вероятностная логика Фрагменты знаний (ФЗ) Алгебраические байесовские сети Байесовские сети доверия БС — дидактическое применение БС — монография


Слайд 54

55 Фрагмент знаний (определение) Математическая модель Идеал конъюнктов Оценки вероятностей элементов идеала (точечные и интервальные)


Слайд 55

56 ФЗ: Brute Force Calculations Поддержание непротиворечивости Априорный вывод Апостериорный вывод Вывод оценок чувствительности Объемлющая непротиворечивость Линейные комбинации ФЗ ...


Слайд 56

57 «Точечная» непротиворечивость p(x)=0.4 p(x)=0.6 непротиворечиво (согласовано, совместно) p(x)=0.7 p(x)=0.6 противоречиво (несовместно)


Слайд 57

58 «Интервальная» непротиворечивость p(x)=[0.4;0.5] p(x)=[0.5;0.6] непротиворечиво (согласовано, совместно) p(x)=[0.7;0.8] p(x)=[0.5;0.6] противоречиво (несовместно) p(x)=[0.3;0.5] p(x)=[0.4;0.6] непротиворечиво (не согласовано, совместно)


Слайд 58

59 Непротиворечивость ФЗ (.) Преобразовать вероятности на конъюнктах в вероятности на квантах; Проверить соответствие вероятностной аксиоматике получившихся оценок на квантах


Слайд 59

60 Матрицы In и Jn Матрицы преобразования вектора вероятностей конъюнктов в вектор вероятностей квантов и наоборот строятся как прямое произведение матриц Кронекера.


Слайд 60

61 Матрицы I (2, 3, 4, 5)


Слайд 61

62 Множество ограничений E(n) Обозначим множество ограничений, вытекающих из вероятностной аксиоматики, как E(n). В матрично-векторном виде они записываются как


Слайд 62

63 ФЗ с [,]-ми оценками Задан набор интервальных оценок, который мы обозначим как D(n).


Слайд 63

64 Непротиворечивость ФЗ ([]) Пусть задан набор интервальных оценок. Этот набор непротиворечив (согласован), если для произвольного элемента при выборе произвольной точки из интервальной оценки в остальных интервалах можно выбрать точки так, что получившийся набор точечных оценок непротиворечив.


Слайд 64

65 Поддержание непротиворечивости ФЗ в [,]-ом случае


Слайд 65

66 Априорный вывод Можно как выводить оценку истинности пропозиции, не вошедшей в ФЗ, так и учитывать эту оценку в процессе поддержания непротиворечивости или априорного вывода оценок вероятности истинности других формул.


Слайд 66

67 Апостериорный вывод в ФЗ АБС Мы что-то узнали: поступило свидетельство; Как оно повлияет на наши оценки вероятностей утверждений из нашей базы знаний; [Как распространить влияние свидетельства] Несколько вычислительно разных ситуаций...


Слайд 67

68 Детерминированное свидетельство Атомарные <x> или <x> и кортежи <x1x8>, <x1x2>, <x1x2x3>... Кратко


Слайд 68

69 Недетерминированное свидетельство Атомарные <p[a](x)> и < p[a]( x)> Кортежи < p[a](x1x8), p[a](x1x8), p[a](x1x8), p[a](x1x8)> В краткой записи: Апостериорное распределение вероятностей (задающее свидетельство) подчиняется аксиомам вероятностной логики. В нашей теории кортеж недетерминированных свидетельств также представляется в виде фрагмента знаний.


Слайд 69

70 Свидетельство с неопределенностью Кортеж недетерминированных свидетельств с неопределенностью представляется в виде фрагмента знаний с интервальными оценками истинности.


Слайд 70

71 Апостериорный вывод: (.) и [,] Вид оценок в ФЗ, куда поступает свидетельство, также создают особый вычислительный аспект: точечные оценки --- «прямые» вычисления по определению условной вероятности; интервальные оценки --- задачи гиперболического программирования.


Слайд 71

72 Апостериорный вывод «по определению» условной вероятности («+»)


Слайд 72

73 Апостериорный вывод «по определению» условной вероятности («-») За счет процедуры переозначивания атомов и пересчета вероятностей, можно считать, что поступают лишь свидетельства, означенные положительно


Слайд 73

74 Апостериорный вывод, ФЗ с [,] Сведение:


Слайд 74

75 Апостериорный вывод, ФЗ с [,] Сведение:


Слайд 75

76 Апостериорный вывод, ФЗ с [,] Сведение:


Слайд 76

77 Апостериорный вывод, ФЗ с [,] Сведение:


Слайд 77

78 Апостериорный вывод, ФЗ с [,] Сведение:


Слайд 78

79 Несовместимость со свидетельством


Слайд 79

80 Апостериорный вывод при недетерм-ом свидетельстве


Слайд 80

81 Примеры формул для рассчетов


Слайд 81

82 ПЛАН БС — что это БС — праксис и генезис Вероятностная логика Фрагменты знаний (ФЗ) Алгебраические байесовские сети Байесовские сети доверия БС — дидактическое применение БС — монография


Слайд 82

83 Алгебраическая байесовская сеть Это множество фрагментов знаний, как правило, связанных между собой (имеющих общие конъюнкты), которые рассматриваются как единое целое.


Слайд 83

84 Граф и дерево смежности - веса Узлу графа смежности ставится в соответствие фрагмент знаний; весом же узла является идеал конъюнктов, лежащий в основе этого ФЗ.


Слайд 84

85 Граф смежности --- определение Графом смежности называется ненаправленный граф, в котором между каждой парой узлов, веса которых содержат общие элементы, существует путь; в веса каждого из узлов любого пути (в графе) входят все элементы, общие для начального и конечного узлов этого пути; вес одного узла не входит полностью в вес никакого другого узла.


Слайд 85

86 Сепараторы Каждому ребру в графе смежности также удобно приписать вес – пересечение весов, приписанных тем двум узлам, которые соединяются рассматриваемым ребром. Вес на ребре --- сепаратор (или разделитель). Непустое пересечение идеалов конъюнктов --- идеал конъюнктов.


Слайд 86

87 Дерево смежности Деревом смежности называется ациклический граф смежности --– такой граф, что в нем нет ни одного цикла, то есть пути (без повторяющихся узлов), начало и конец которого бы совпали.


Слайд 87

88 АБС --- определение Алгебраическая байесовская сеть (АБС) определяется как граф смежности с фрагментами знаний в узлах. АБС, представимая в виде дерева смежности, называется ациклической (ААБС). АБС является одной из логико-вероятностных моделей БФЗ с неопределенностью.


Слайд 88

89 АБС --- графическое представление


Слайд 89

90 Ациклические АБС


Слайд 90

91 Степени непротиворечивости АБС Локальная, Экстернальная, Интернальная, Глобальная


Слайд 91

92 Степени непротиворечивости АБС Локальная: непротиворечив каждый фрагмент знаний по отдельности.


Слайд 92

93 Степени непротиворечивости АБС Экстернальная: совпадают оценки пересекающихся фрагментов.


Слайд 93

94 Степени непротиворечивости АБС Интернальная: распределения вероятностей совпадают на конъюнктах, общих для двух или более ФЗ.


Слайд 94

95 Степени непротиворечивости АБС Глобальная: непротиворечив объемлющий фрагмент знаний.


Слайд 95

96 АБС: интернальная и глобальная непротиворечивость


Слайд 96

97 ААБС: интернальная и глобальная непротиворечивость Ациклическая АБС, непротиворечивая интернально, глобально непротиворечива.


Слайд 97

98 ААБС: интернальная и экстернальная непротиворечивость Экстернально непротиворечивая ациклическая АБС может быть интернально противоречивой. Есть класс ациклических сетей, у которых из экстернальной непротиворечивости следует интернальная.


Слайд 98

99 Апостериорный вывод: свидетельства Детерминированное свидетельство (и кортеж ДС); Недетерминированное свидетельство (и кортеж НДС); Недетерминированное свидетельство (и кортеж НДСН).


Слайд 99

100 Апостериорный вывод: два ФЗ


Слайд 100

101 Передача виртуального свидетельства между ФЗ


Слайд 101

102 Апостериорный вывод в ААБС


Слайд 102

103 ПЛАН БС — что это БС — праксис и генезис Вероятностная логика Фрагменты знаний (ФЗ) Алгебраические байесовские сети Байесовские сети доверия БС — дидактическое применение БС — монография


Слайд 103

104 Байесовские сети доверия Основная цель байесовских сетей доверия, как и в случае АБС,— представление распределения вероятностей над переменными (возможно многозначными) в удобном для обработки и компактном виде. В качестве такого представления выбран ациклический направленный граф с тензорами условных вероятностей.


Слайд 104

105 Простейшие БСД


Слайд 105

106 БСД односвязная


Слайд 106

107 БСД с допустимыми циклами


Слайд 107

108 БСД с недопустимым циклом


Слайд 108

109 Пример БСД


Слайд 109

110 Типы связей в БСД а – последовательная связь; б – расходящаяся связь; в – сходящаяся связь.


Слайд 110

111 Понятие d-разделимости Два узла называются d-разделимыми, если любой путь между ними содержит последовательную или сходящуюся связь, в центральный узел которой поступило свидетельство, или расходящуюся связь, в центральный узел (и его потомки) которой не поступило свидетельство.


Слайд 111

112 Основное предположение d-разделенные узлы независимы. Это предположение позволяет однозначно восстановить распределение вероятностей над всеми переменными.


Слайд 112

113 Несколько условий формально на примере нашей сети p(u|t) ? p(v|t) = p(uv|t) p(t|uv) ? p(w|uv) = p(tw|uv) … В такой форме эти предположения уже не кажутся столь очевидными


Слайд 113

114 Что нам дают такие предположения Независимость d-разделимых [переменных в узлах] позволяет выделить единственное распределение из всех, для которых подходят заданные условные вероятности. Это единственное распределение -- произведение всех вероятностей, заданных в БСД (chain rule).


Слайд 114

115 Chain rule для нашего примера


Слайд 115

116 Но все же… Несмотря на указанную выше формализацию, методы работы с БСД позволяют использовать chain rule неявно.


Слайд 116

117 Первичная пропагация Вычисление вероятностей всех переменных (по отдельности), входящих в нашу сеть.


Слайд 117

118 Простейший (в лоб) алгоритм первичной пропагации По определению условной вероятности: Аналогично хочется поступить с остальными вероятностями.


Слайд 118

119 Алгоритм первичной пропагации для ациклических направленных графов Очевидно, что в описанном выше примере нам в ходе вычисления p(w) потребуются вероятности именно в такой ситуации и требуется chain rule и понятие d-разделимости. В частности получаем, что p(uv|t) = p(u|t) ? p(v|t), аналогично для отрицания t и суммируем.


Слайд 119

120 Первичная пропагация, обобщенный алгоритм «на пальцах» Если мы хотим вычислить вероятность какого либо узла, то мы должны просуммировать совместное распределение по означиванию всех остальных переменных (маргинализовать). Но, так как все наше распределение разбивается на произведение достаточно простых, можно проводить суммирование по очереди по одной (иногда по нескольким) переменным за раз, при этом большая часть сомножителей не будет от них зависеть.


Слайд 120

121 Первичная пропагация связь простого и обобщенного алгоритмов Простой алгоритм — это всего лишь удачный порядок суммирования для обобщенного алгоритма. Обобщенный алгоритм понадобится при появлении свидетельств. Для обобщенного алгоритма удобно определить на БСД структуру дерева смежности.


Слайд 121

122 Моральный граф Моральным графом для БСД называется ненаправленный граф, в котором вершины те же, и две вершины соединены ребром, если они либо соседствуют, либо имеют общего сына в исходной БСД.


Слайд 122

123 Пример морального графа


Слайд 123

124 Если моральный граф триангулярен То его можно разбить на клики, которые затем можно объединить в дерево смежностей (разными вариантами). Каждая максимальная клика попадает в отдельный [соответствующий ей] узел дерева смежности.


Слайд 124

125 Если не триангулярен То придется его триангулировать. Это требуется сделать, добавив, по возможности, «минимум» ребер.


Слайд 125

126 Дерево сочленений


Слайд 126

127 Пропагация свидетельств Но главная задача БСД — это все-таки пропагация свидетельств (апостериорный вывод). Иными словами, мы знаем апостериорные означивания нескольких узлов и хотим получить условную вероятность остальных.


Слайд 127

128 Переход к пропагации свидетельств Мы умеем вычислять маргинальные вероятности. Давайте в процессе вычисления в нужном месте «заменим» «настоящую» вероятность единицей или нулем в зависимости от свидетельства. Это гарантирует, что мы получим правильные вероятности в тех узлах, что ниже. Как же учесть влияние на предшествующие узлы?


Слайд 128

129 Алгоритм пропагации свидетельств, «на пальцах» Мы поступим как в обобщенном алгоритме первичной пропагации Для переменной, условную вероятность которой мы хотим получить, нам придется придумать хороший порядок маргинализации из совместного распределения.


Слайд 129

130 Дерево сочленений обеспечивает хороший порядок обхода (суммирования)


Слайд 130

131 Для нашего примера


Слайд 131

132 Выгода считать все сразу Двукратный проход по дереву смежности дает нам все искомые вероятности. Для вычисления одной вероятности можно пройти один раз (искомая помещается в вершину).


Слайд 132

133 Проблема направленного цикла Наличие направленного цикла в байесовской сети доверия приводит к тому, что chain rule не работает. Но часто можно построить распределение, удовлетворяющее заданным условным вероятностям. Такое распределение может быть не единственным: исходным данным может отвечать семейство распределений.


Слайд 133

134 Изолированный цикл с бинарными переременными Условные вероятности задают ограничения на маргинальные вероятности. Эти ограничения можно представить в виде системы линейных уравнений.


Слайд 134

135 Линейные уравнения, задаваемые изолированным циклом ,


Слайд 135

136 Линейные уравнения, задаваемые изолированным циклом, в матричном представлении .


Слайд 136

137 Погружение во фрагмент знаний алгебраической байесовской сети


Слайд 137

138 Результат погружения Мы можем получить оценки (возможно интервальные) на всевозможные конъюнкции положительно означенных элементов. Мы можем выяснить, что имеющиеся оценки не соответствуют аксиоматике вероятностной логики.


Слайд 138

139 Направленный цикл с потомками Потомок имеет одного родителя из цикла; Потомок является сыном двух соседних узлов; Потомок является сыном двух не соседних узлов; Потомок является сыном трех и более узлов.


Слайд 139

140 Потомок имеет одного родителя из цикла Мы уже получили точечные значения маргинальных вероятностей всех элементов цикла. Маргинальная вероятность родителя, может быть рассмотрена как заданная изначально и обрабатываться традиционным для БСД способом.


Слайд 140

141 Потомок является сыном двух соседних узлов Для двух соседних узлов нам полностью известно совместное распределение. Данное распределение можно использовать для дальнейшей пропагации традиционным образом.


Слайд 141

142 Потомок является сыном двух несоседних узлов Распределение над родительскими узлами можно найти с точностью до одного параметра. Если зафиксировать этот параметр, то можно проводить обычную пропагацию.


Слайд 142

143 Потомок является сыном трех и более узлов Сложности связаны с большим количеством параметров. Параметры связаны друг с другом и не все их сочетания возможны. Пропагация проводится с учетом этих параметров. Может требовать решения ЗЛП.


Слайд 143

144 Учет влияния предков Главная проблема – нельзя выписать систему линейных уравнений. Причина – нельзя зная условную вероятность относительно двух узлов, редуцировать ее до условной вероятности одного из них.


Слайд 144

145 Путь решения Можно зафиксировать все возможные означивания родителей. Для каждого означивания мы получаем изолированный цикл. Проводим обработку цикла и производим суммирование с учетом вероятности каждого конкретного означивания родителей.


Слайд 145

146 Проблема Возможна ситуация, когда при одних означиваниях цикл непротиворечив, а при других противоречив.


Слайд 146

147 Возможное решение Исключить «плохие» означивания родителей. Пересчитать байесовскую сеть доверия с учетом «невозможных» состояний.


Слайд 147

148 Погружение БСД в АБС


Слайд 148

149 ПЛАН БС — что это БС — праксис и генезис Вероятностная логика Фрагменты знаний (ФЗ) Алгебраические байесовские сети Байесовские сети доверия БС — дидактическое применение БС — монография


Слайд 149

150 Базовые дисциплины Математические Математическая логика Теория вероятностей Экстремальные задачи Информатика Теория графов Представление данных Базы данных Искусственный интеллект Представление неопределенности Логико-вероятностный вывод Мягкие вычисления


Слайд 150

151 Особенности материала Части материала «масштабируются» под нужды конкретного курса и конкретной аудитории; В возникающих экстремальных задачах используются объекты, знакомые математикам (а не насильно заимствованные из экономики); Много задач для программирования, удобно для организации семинаров и практикумов; «Неисчерпаемая тематика» для курсовых и дипломных работ


Слайд 151

152 Полезные навыки Для изучения математической статистики (и способов ее применения на практике); Для дальнейшего овладения теорией надежности (структурно сложных систем в рамках ЛВМ и родственных ему) Для освоения аппаратов небайесовских мер истинности


Слайд 152

153 ПЛАН БС — что это БС — праксис и генезис Вероятностная логика Фрагменты знаний (ФЗ) Алгебраические байесовские сети Байесовские сети доверия БС — дидактическое применение БС — монография


Слайд 153

154 Монография Тулупьев А.Л., Николенко С.И., Сироткин А.В. Байесовские сети: логико-вероятностный подход СПб.: Наука, 2006 607 стр. ISBN 5-02-025107-0 Изд. грант РФФИ 06-01-14108


Слайд 154

155 Обложка


Слайд 155

156 Разворот обложки


Слайд 156

157 Дополнительный материал


Слайд 157

158 Мягкие вычисления (SC) Консорциум вычислительных методологий, которые коллективно обеспечивают основы для понимания, конструирования и развития интеллектуальных систем Заде Л.А. Роль мягких вычислений в понимании, конструировании и развитии информационных/интеллектуальных систем // Новости искусственного интеллекта. 2001. 2—3 (44—45).


Слайд 158

159 Мягкие вычисления: отрасли Нечеткая логика (FL) Нейровычисления (NC) Генетические вычисления (GC) Вероятностные вычисления (PC) Рассуждения на базе свидетельств (ER) [Байесовские сети] (BN) Хаотические системы (ChS) Машинное обучение (ML) Заде Л.А. Роль мягких вычислений в понимании, конструировании и развитии информационных/интеллектуальных систем // Новости искусственного интеллекта. 2001. 2—3 (44—45).


Слайд 159

160 Цель и задачи исследования


Слайд 160

161 Декомпозируемость знаний Эксперт не мыслит о закономерностях предметной области как о «связи всего со всеми» Выделяются фрагменты знаний (Knowledge patterns), которые содержат достаточно подробные сведения о небольшом числе объектов (или утверждений) о предметной области, а также о связях между ними


Слайд 161

162 Модель утверждения Атомарная пропозициональная формула (булевская переменная, пропозициональная переменная, атомарная пропозиция) --- модель «атомарного» утверждения о предметной области Пропозициональные формулы --- модели утверждений, возможно сложных, о предметной области


Слайд 162

163 Неопределенность Почему возникает Пропущенные наблюдения Неточность средств измерения Экспертные высказывания Неудачные регистрационные формы Частично незаполненное поле (только год в дате рождения) … Как проявляется Нужно ли обрабатывать


Слайд 163

164 Виды неопределенности Существует много видов, например неоднозначность и многозначность слов; возможность двух или более интерпретаций записи даже на формальном языке; недетерминированность; нечёткость (в т.ч. лингвистическая); неточность (интервальные оценки); недоопределённость...


Слайд 164

165 Неопределенность утверждения Истинностное означивание и мера истинности Мера истинности как степень доверия к утверждению Мера истинности как степень тесноты связи между частями составной пропозициональной формулы Возможные значения и оценки меры истинности


Слайд 165

166 Объект исследования Высказывания, суждения, утверждения, представимые пропозициональными формулами над булевскими переменными; Мера истинности которых характеризуется количественно с помощью вероятностных и/или небайесовских оценок; Которые могут быть как точечные, так и интервальные [а в перспективе – твинные].


Слайд 166

167 Предмет исследования Базы фрагментов знаний с неопределённостью; Фрагмент знаний – некоторая [математическая] структура, состоящая из небольшого набора «тесно связанных» пропозициональных формул; Мера истинности которых и теснота связи охарактеризована: тензором условных вероятностей – БСД; представлением тензора совместных вероятностей, допускающим точечные и интервальные оценки --- АБС; [обобщение последнего на небайесовские меры истинности: нечёткую, доверия-правдоподобия, необходимости-возможности...]


Слайд 167

168 Логико-вероятностный подход (ЛВП) Вероятностная мера как мера истинности Точечные оценки значений вероятностной меры Интервальные оценки значений вероятностной меры (как следствие неопределенности) «Интервальная вероятность» и интервальная оценка вероятности Единственность распределения и семейство распределений вероятности


Слайд 168

169 ЛВП --- богатая история G. Boole, “An Investigation of the Laws of Thought, on Which Are Founded the Mathematical Theories of Logic and Probabilities” (1854) N. Nilsson, Probabilistic Logic (AI, 1986) N. Nilsson, Probabilistic Logic Revisited (AI, 1993) De Finetti, Whaley, Ramsay, … Школа логико-вероятностных методов в теории надежности (рук. адм. И. А. Рябинин) --- важнейшие приложения ЛВП.


Слайд 169

170 Непротиворечивость Согласованность, согласуемость, программный код


Слайд 170

171 Пример ограничений:


Слайд 171

172 Программный код на C++ for (i = 0; i < pow2(N); i++) { c.add(IloRange(env, 0.0, IloInfinity )); for(j = 0; j < pow2(N); j++) if (i & j = i) { //Проверка на четность количества 1 в i xor j. if (parity(i ^ j)) {c[i].setCoef(x[j], 1)}; else {c[i].setCoef(x[j], -1)}; } }


Слайд 172

173 непротиворечив, (является распределением вероятностей) если он удовлетворяет условиям типа Непротиворечивое распределение Мы будем говорить, что набор оценок .


Слайд 173

174 Фрагмент знаний Идеал конъюнктов: Ограничения на вероятность истинности: Эти ограничения будем обозначать .


Слайд 174

175 Графическое представление ФЗ


Слайд 175

176 Непротиворечивость (согласованность) ФЗ Фрагмент знаний непротиворечив, если существует непротиворечивое распределение :


Слайд 176

177 Согласуемость ФЗ ФЗ называется согласуемым, если существует хотя бы одно непротиворечивое распределение такое, что


Слайд 177

178 Поддержание непротиворечивости Для того чтобы получить из согласуемого ФЗ согласованный, требуется решить ряд задач линейного программирования. Для каждого по две:


Слайд 178

179 Байесовские сети доверия Дополнительные сведения


Слайд 179

180 Фрагменты знаний первого порядка


Слайд 180

181 Фрагменты знаний второго порядка


Слайд 181

182 Фрагменты знаний третьего порядка


Слайд 182

183 Линейная цепь ФЗ (1)


Слайд 183

184 Линейная цепь ФЗ (2)


×

HTML:





Ссылка: