概率更新
人工智能
2007-05-23 v1
摘要
诸如Monty Hall拼图等例子表明，对不考虑所用协议的“幼稚空间”上的条件概率分布进行更新常常会导致反直觉的结果。本文我们来探讨其原因。统计学文献中已知的一种标准是CAR（“随机细化”），用于刻画“幼稚”空间在何时下进行条件更新是有效的。我们指出CAR条件的满足相当不常见，我们通过给出一种随机算法来生成满足CAR条件的全部且仅满足的分布，从而对其进行了程序化描述。这大大扩展了对CAR的前人描述。我们还考虑更广义的更新概念，如Jeffrey条件化和最小相对熵（MRE）。我们给出CAR条件的一个推广，用于刻画何时进行Jeffrey条件化会得到恰当的答案，并指出存在一些非常简单的情形，其中MRE几乎永远不会给出正确的结果。这一结果概括并相互关联了关于CAR和MRE文献中先前的结果。
关键词
引用
@article{arxiv.cs/0306124,
title = {Updating Probabilities},
author = {Peter D. Grunwald and Joseph Y. Halpern},
journal= {arXiv preprint arXiv:cs/0306124},
year = {2007}
}
备注
This is an expanded version of a paper that appeared in Proceedings of the Eighteenth Conference on Uncertainty in AI, 2002, pp. 187--196. to appear, Journal of AI Research