更新概率
人工智能
2014-07-29 v1
摘要
正如蒙提霍尔问题（Monty Hall puzzle）等例子所示，将条件化应用于未考虑所用协议的“朴素空间”上的概率分布，往往会导致违反直觉的结果。本文探讨了其原因。统计文献中称为 CAR（随机粗化，coarsening at random）的条件刻画了何时在朴素空间中进行“朴素”条件化是有效的。我们表明 CAR 条件成立的情况相当罕见。随后，我们考虑了更广义的更新概念，如 Jeffrey 条件化和最小化相对熵（MRE）。我们给出了 CAR 条件的一个推广，该推广刻画了何时 Jeffrey 条件化能得出恰当的答案，但表明对于 MRE 不存在此类条件。这项工作推广并关联了文献中关于 CAR 和 MRE 的既有结果。
引用
@article{arxiv.1407.7183,
title = {Updating Probabilities},
author = {Peter D. Grunwald and Joseph Y. Halpern},
journal= {arXiv preprint arXiv:1407.7183},
year = {2014}
}
备注
Appears in Proceedings of the Eighteenth Conference on Uncertainty in Artificial Intelligence (UAI2002)