在溯因诊断中整合概率、分类与因果知识
人工智能
2013-04-05 v1
摘要
我们提出了一种整合概率、分类与因果知识的溯因诊断理论。概率知识使我们能够选择最可能的解释；因果知识使我们能够做出合理的独立性假设；分类知识允许在不同细节层次上对因果关系进行建模，并允许以不同精度描述观测结果。与大多数其他方法将因果解释视为一个或多个因果事件发生的假设不同，我们将一组观测结果的解释定义为一个因果链事件的发生。这些因果事件构成一个场景，其中所有观测结果均为真。我们证明了场景的概率可以从因果事件的条件概率计算得出。即使只允许有限的表达能力，溯因推理本质上也是复杂的。然而，我们的溯因算法仅随待解释的观测数量呈指数增长，而随知识库规模呈多项式增长。这与许多其他随知识库规模呈指数增长的溯因过程形成对比。
引用
@article{arxiv.1304.1086,
title = {Integrating Probabilistic, Taxonomic and Causal Knowledge in Abductive Diagnosis},
author = {Dekang Lin and Randy Goebel},
journal= {arXiv preprint arXiv:1304.1086},
year = {2013}
}
备注
Appears in Proceedings of the Sixth Conference on Uncertainty in Artificial Intelligence (UAI1990)