LEARNING & REASONING IN HYBRID STRUCTURE
Bei Anwendungen der künstlichen Intelligenz geht es oft um den Umgang mit Ungewissheit, z. B.
eine nur teilweise beobachtete Umgebung oder verrauschte Beobachtungen. Die Wahrscheinlichkeitstheorie ist eine Möglichkeit, Unsicherheit zu modellieren, aber die meisten der aktuellen probabilistischen Modelle sind nicht in der Lage, mit hybriden numerischen und logischen Bereichen umzugehen. Bestehende hybride kontinuierliche/diskrete Modelle sind in der Regel begrenzt und bieten keine Garantie für den Approximationsfehler, so dass viele Probleme der realen Welt für die derzeitigen Systeme unerreichbar sind.
Dieses Buch, Learning And Reasoning In Hybrid Structured Spaces, schlägt einen neuen und allgemeinen Formalismus namens Weighted Model Integration (wmi) vor, der probabilistische Modellierung und Inferenz in hybriden strukturierten Domänen ermöglicht. Wmi-basierte Inferenzalgorithmen unterscheiden sich von den meisten Alternativen dadurch, dass Wahrscheinlichkeiten innerhalb einer strukturierten Unterstützung berechnet werden, die sowohl logische als auch algebraische Beziehungen zwischen Variablen beinhaltet.
Die Forschung in diesem Bereich befindet sich noch in einem frühen Stadium, aber das Interesse an der Untersuchung hybrider und symbolischer probabilistischer Modelle und an der Entwicklung skalierbarer Inferenzverfahren und effektiver Lernalgorithmen nimmt zu, und das Buch berichtet über eine Untersuchung skalierbarer Schlussfolgerungs- und Lerntechniken im Kontext von Wmi. Das Buch bietet einen Einblick in eine wichtige Forschungsrichtung und ist für diejenigen von Interesse, die mehr über die Ermöglichung skalierbarer probabilistischer Inferenz in Anwendungen der Künstlichen Intelligenz erfahren möchten - vom Verlag zur Verfügung gestellt.
| ISBN: | 9781643682662 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2022 |
| Seitenzahl: | 110 |
Derzeit verfügbar, auf Lager.
