PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
1994 | Metody formalne w inteligentnych systemach informatycznych | 35--58
Tytuł artykułu

Teoria Dempstera-Shafera:Świeże spojrzenie po ćwierćwieczu

Warianty tytułu
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)
Twórcy
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
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171294197

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.