面向决策的不确定性推理与量化综述：信念理论与深度学习交汇
人工智能
2022-06-15 v2 信息论
机器学习
math.IT
摘要
深入理解不确定性是在不确定性下做出有效决策的第一步。深度/机器学习（ML/DL）已被大量用于解决涉及高维数据处理的复杂问题。然而，相较于其他人工智能（AI）领域，在 ML/DL 中对不同类型不确定性进行推理与量化以实现有效决策的研究要少得多。特别是，自 20 世纪 60 年代以来，信念/证据理论在知识表示与推理（KRR）中已被研究，用于推理和度量不确定性以提升决策效能。我们发现，仅有少数研究将信念/证据理论中成熟的不确定性研究成果引入 ML/DL，以应对不同类型不确定性下的复杂问题。在本综述中，我们讨论了若干流行的信念理论及其处理不确定性成因与类型并加以量化的核心思想，并探讨它们在 ML/DL 中的适用性。此外，我们从不确定性成因、类型、量化方法及其在不同问题域中的适用性出发，讨论了在深度神经网络（DNNs）中利用信念理论的三种主要途径，包括证据 DNNs、模糊 DNNs 和粗糙 DNNs。基于深入调研，我们讨论了将信念理论与 ML/DL 结合的现状所具有的洞见、经验教训与局限，并最后给出未来研究方向。
引用
@article{arxiv.2206.05675,
title = {A Survey on Uncertainty Reasoning and Quantification for Decision Making: Belief Theory Meets Deep Learning},
author = {Zhen Guo and Zelin Wan and Qisheng Zhang and Xujiang Zhao and Feng Chen and Jin-Hee Cho and Qi Zhang and Lance M. Kaplan and Dong H. Jeong and Audun Jøsang},
journal= {arXiv preprint arXiv:2206.05675},
year = {2022}
}
备注
First four authors contributed equally