Совершенствование гибридных абдуктивных методов для создания интеллектуальных систем поддержки принятия решений
Диссертация
Наиболее часто используется подход к абдукции как к обратной дедукции. Задача абдукции относится к классу NP-полных проблем. Поэтому одной из не полностью решенных задач, с которой сталкиваются разработчики, применяющие абдуктивные рассуждения для создания ИСППР, является задача разработки ограничений целостности, позволяющих не создавать маловероятные гипотезы объяснений и упорядочить полученные… Читать ещё >
Содержание
- 1. Абдуктивные рассуждения в интеллектуальных системах поддержки принятия решений
- 1. 1. Подходы к формализации абдукции
- 1. 1. 1. Абдукция в представлении Пирса
- 1. 1. 2. Логическая абдукция
- 1. 1. 3. Абдуктивный подход на основе покрытия множеств
- 1. 1. 4. Вероятностная абдукция
- 1. 1. 5. Подход, основанный на непротиворечивости
- 1. 1. 6. Предпочтительные объяснения
- 1. 1. 6. 1. Критерий минимальности подмножеств (С)
- 1. 1. 6. 2. Минимальная мощность множества объяснения (<)
- 1. 1. 6. 3. Назначение приоритетов (ср,^р)
- 1. 1. 6. 4. Метод штрафов (7^,)
- 1. 1. 7. Абдукция и ее
- 1. 1. Подходы к формализации абдукции
- 1. 1. 8. Сложность задачи поиска абдуктивных объяснений
- 1. 2. Абдукция в логическом программировании
- 1. 2. 1. Ограничения целостности в абдукции
- 1. 2. 2. Приобретение знаний и абдукция
- 1. 2. 3. Связь абдукции с рассуждениями по умолчанию
- 1. 3. Пропозициональная абдукция в модальных логиках
- 1. 3. 1. Абдуктивный вывод и модальные логики
- 1. 3. 2. Базовые понятия модальных логик
- 1. 3. 3. Абдуктивные объяснения в модальных логиках
- 1. 3. 4. Модальная абдукция с использованием аналитических таблиц
- 1. 3. 5. Множество абдуктивных объяснений
- 1. 3. 6. Существование минимальных объяснений
- 1. 4. Модель абдуктивных рассуждений, основанная на теории взаимосвязи объяснений
- 1. 5. Нейронная сеть Хопфилда для задачи абдукции
- 1. 6. Гибридная модель «абдукция+индукция»
- 1. 6. 1. Абдукция и индукция
- 1. 6. 2. Абдукция в ограничении теории
- 1. 6. 3. Индукция в абдуктивных базах знаний
- 1. 7. Иерархическая вероятностная абдукция в сложных проблемных средах
- 1. 7. 1. Основные понятия и положения
- 1. 7. 2. Алгоритмы иерархических вероятностных абдуктивных рассуждений в сложных проблемных средах
- 1. 8. Необходимость разработки методов абдуктивных рассуждений в интеллектуальных системах поддержки принятия решений
- 1. 9. Выводы по разделу
- 2. 1. Нечеткие меры
- 2. 2. Вероятностный подход к неопределенности
- 2. 3. Расширение вероятностного подхода при помощи теории Демпстера-Шейфера
- 2. 4. Лингвистические вероятности Заде
- 2. 5. Нечеткая абдукция Дюбуа, Прада
- 2. 5. 1. Случай с полной информацией
- 2. 5. 2. Общий случай (неполный)
- 2. 5. 3. Расширенная модель
- 2. 6. Нечеткая абдукция Мияты
- 2. 7. Выводы по разделу
- 3. 1. Способы модификации метода вероятностных абдуктивных рассуждений в сложных проблемных средах
- 3. 2. Описание алгоритмов гибридных абдуктивных рассуждений условиях не полностью определенной информации
- 3. 3. Оценка гипотез объяснений при помощи теории свидетельств Демпстера-Шейфера
- 3. 4. Пример работы алгоритма гибридных абдуктивных рассуждений в условиях не полностью определенной информации
- 3. 5. Выводы по разделу
- 4. 1. Архитектура и основные компоненты программного средства поддержки гибридных абдуктивных рассуждений поиска объяснений в условиях не полностью определенной информации
Список литературы
- Башлыков А.А., Еремеев А. П. Экспертные системы поддержки принятия решений в энергетике./ Под ред. А. Ф. Дьякова М: МЭИ, 1994.
- Вагин В.Н. Дедукция и обобщение в системах принятия решений М.: Наука, 1988.
- Вагин В.Н. Знание в интеллектуальных системах. // Новости Искусственного Интеллекта 2002. — № 6.
- Вагин В.Н., Головина Е. Ю., Загорянская А. А., Фомина М. Б. Достоверный и правдоподобный вывод в интеллектуальных системах. М.: Физматлит, 2004.
- Вагин В.Н., Еремеев А. П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени. // Известия РАН. Теория и системы управления 2001. — № 6.
- Вагин В.Н., Загорянская А. А. Организация абдуктивного вывода средствами теории аргументации. // Труды международного конгресса «Искусственный интеллект в XXI веке». Научное издание. -М.: Физматлит., 2001 С. 13−20.
- Головина Е.Ю. Абдуктивный вывод в инструментальных средствах для создания динамических систем поддержки принятия решений. // Труды конгресса «Искусственный интеллект в XXI веке». М.: Физматлит, 2001- С. 50−60.
- Головина Е. Ю. Метод вероятностных абдуктивных рассуждений в сложно структурированных проблемных областях. // Информационные технологии. -2002. № 3 — С.30−40.
- Головина Е.Ю. Подход к созданию нечетких динамических систем поддержки принятия решений // Програм. продукты и системы. — 2002. — № 3. — С. 2−7.
- Дюбуа Д., Прад А. Теория возможностей: приложения к представлению знаний в информатике.- М.: Радио и связь, 1990.
- Еремеев А.П. Интегрированная модель представления знаний для системы поддержки принятия решений семиотического типа. // Труды Восьмой национальной конференции по искусственному интеллекту с международным участием (КИИ-2002). М.: Физматлит. — Т.2.
- Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений М.: Мир, 1976.
- Ивин А.А. Логика норм. М.: МГУ, 1973.
- Ивин А.А. Основы теории аргументации. М.: ВАЛДОС, 1997.
- Круглов В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. 2-е изд., стереотип. — М.: Горячая линия — Телеком, 2002.
- Лопатникова В.Б. Способы оценки гипотез абдуктивных объяснений. // Тезисы докладов 10-й международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика». М.: МЭИ, 2004 — Т. 1. — С. 321−322.
- Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание. Пер. с англ. М.: Издательский дом «Вильяме», 2003.
- Нариньяни А.С. НЕ-факторы // Девятая национальная конференция по искусственному интеллекту с международным участием «КИИ-2004». Труды конференции. М.: Физматлит, 2004. — Т.1. — С. 420−432.
- Нечеткие множества в моделях управления и искусственного интеллекта. /Под ред. Д. А. Поспелова./ М.: Наука, 1986.
- Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ.- М.: Наука, 1987.
- Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. -М.: Радио и связь, 1989.
- Растригин JI.A. Современные принципы управления сложными объектами. -М.: Сов. радио, 1980.
- Тейз А., Грибомон П., Юлен Г. и др. Логический подход к искусственному интеллекту: От модальной логики к логике баз данных: Пер. с франц. М: Мир, 1998.
- Фейс Р. Модальная логика. М.: Наука, 1974.
- Финн В.К. Интеллектуальные системы и общество. М.: РГГУ, 2001.
- Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. М.: Наука — 1991. — С.157−177.
- Финн В.К. Философские проблемы логики интеллектуальных систем // Новости искусственного интеллекта. 1999.-№ 1.-С.36−51.
- Ярушкина Н.Г. Гибридные системы, основанные на мягких вычислениях: определение, архитектура, возможности // Програм. продукты и системы. — 2002. № 3. — С. 19−22.
- Aitchison J. Discussion on Professor Dempster’s Paper. // Journal of the Royal Statistical Society, Series В 1968 — № 30 — P. 234−237.
- Aliseda Atocha Abduction as Epistemic Change: Charles S. Peirce and Epistemic Theories in Artificial Intelligence. // http://www.rz.unifrankurt.de/~wirth/tt.htm
- Applicability of Genetic Algorithms for Abductive Reasoning in Bayesian Belief Networks MIEUR Annual Report, 1994.
- Black P. Is Shafer General Bayes? // In Proc. Third AAAI Uncertainty in Artificial Intelligence Workshop, 1987 P. 2−9.
- Bylander Т., Allemang D., Tanner M.C., Josephson J.R. The Computational Complexity of Abduction. // Artificial Intelligence 49 — P. 25−60.
- Charniak E., Shimony S. E. Probabilistic Semantics For Cost Based Abduction. // The Eighth National Conference on Artificial Intelligence Boston, MA: AAAI Press/ The MIT Press, 1990. — P. 106−111.
- Cohen W. W. Abductive Explanation-Based Learning: A Solution to the Multiple Explanation Problem. // Machine Learning -1992. -№ 8(2). -P. 167−219.
- Console L., Dupre D.T. Choices in Abductive Reasoning with Abstraction Axioms. // Journal of Logic and Computation. 1999. — № 1(5).
- Console L., Dupre D. Т., Torasso P. On the Relationship Between Abduction and Deduction. // Journal of Logic and Computation. -1991.- № 1(5). -P. 661−690.
- Сох P. Т., Pietrzykowski T. General Diagnosis by Abductive Inference. // In: Proceedings of the 1987 Symposium on Logic Programming P. 183−189.
- Davis, K. D. CEPS — B-1B Diagnostic Expert System. // National Aerospace and Electronics Conference. Dayton, OH, 1986.
- Dempster A. P. A generalization of Bayesian inference. // Journal of the Royal Statistical Society, Series В 1968. -№ 30.- P. 205−247.
- Dempster A. P. Upper and Lower Probabilities Induced by a Multivalued Mapping. // Annals of Mathematical Statistics. 1967. -№ 38. — P. 325−339.
- Dimopoulos, Y., Kakas A. Abduction and Inductive Learning. // In: Advances in Inductive Logic Programming./ Ed. by L. De Raedt Amsterdam: IOS Press, 1996 -P. 144−171.
- Doyle J.A. A Truth Maintenance System. // Artificial Intelligence 1979 — № 12.
- Dubois D., Prade H. Fuzzy Sets and Probability: Misunderstandings, Bridges and Gaps // In Proceedings of the Second IEEE Conference on Fuzzy Systems, 1993. P. 1059−1068.
- Dubois D., Prade H. Fuzzy Sets in Approximate reasoning A Personal View // http://citeseer.ist.psu.edu/57 432.html
- Dubois D., Prade H. Representation and Combination of Uncertainty with Belief Functions and Possibility Measures. // Computational Intelligence. 1988. — № 4. — P.244−264.
- Goel A., Montgomery G. What is Abductive Reasoning // Neural Networks Review.-Hillsdale, NJ: Lawrence Erlbaum Publishers. -1990.-3(4). -P. 181−187.
- Goel A., Ramanujam J. A Neural Architecture for a Class of Abductive Problems. // IEEE Transactions on Systems Man and Cybernetics 1996. — 26(6). — P. 854−860.
- Goel A., Ramanujam J., Sadayappan P. Towards a Neural Architecture for Abductive Reasoning. // In Proc. Second IEEE International Conference on Neural Networks. San Diego, CA., July 1988. — Vol. 2.- P.681−688.
- Goudge T. A. The Thought of C. S. Peirce. University of Toronto Press, Toronto, On., Canada, 1950.
- Eiter Т., Gottlob G. The Complexity of Logic-Based Abduction // Journal of the ACM -1995.- № 42(1).- P.3−42.
- Fagin R., Halpern J. Y. A New Approach to Updating Beliefs. // Uncertainty in Artificial Intelligence/ Ed. by P.P.Bonissone et al. Amsterdam: Elsevier Science Publishers, 1991. — VoI.YI.- P.347−374.
- Fagin R., Halpern J. Y. Uncertainty, Belief and Probability. // Computational Intelligence 1991. — № 7(3). — P. 160−173.
- Falkenhainer, B. A Unified Approach to Explanation and Theory Formation. // In Computational Models of Scientific Discovery and Theory Formation/ Ed. by J. Shrager, & P. Langley. San Mateo, CA: Morgan Kaufmann, 1990.- P. 157−196.
- Fann K.T. Pierce’s Theory of Abduction. The Hague, Martinus Nijhoff, 1970.
- Flener P. Inductive Logic Program Synthesis with DIALOGS // In: Inductive Logic Programming: Selected papers from the 6th International Workshop./ Ed. by S. Muggleton. Berlin: Springer-Verlag, 1997. — P. 175−198.
- Fitting M., Smullyan R. Set Theory and The Continuum Problem.- Oxford University Press, 1996.
- Halpern J. Y., Fagin R. Two Views of Belief: Belief as Generalized Probability and Belief as Evidence. // Artificial Intelligence. 1992. — № 54. — P. 275−317.
- Harman G. The Inference to the Best Explanation. // Philosophical Review. -1965. № 74. — P. 88−95.
- Heckerman D. A Tutorial on Learning Bayesian Networks. // Technical Report MSR-TR-95−06 Microsoft Research, Redmond, WA, 1995.
- Hopfield J., Tank D. Neural Computation of Decisions in Optimization Problems. // Biological Cybernetics. 1985. — №.52.- P.141−152.
- Hunter D. Dempster-Shafer vs. Probabilistic Logic. // In Proc. Third AAAI Uncertainty in Artificial Intelligence Workshop, 1987 P. 22−29.
- Jaffray J.-Y. Bayesian Updating and Belief Functions. Manuscript, 1990.
- Jeffrey R. C. The Logic of Decision. University of Chicago Press, Chicago, 1983.
- Jefferys W. H., Berger J.O. Ockham’s Razor and Bayesian Analysis. // American Scientist. January-February, 1992. — P. 64−72.
- Josephson J. J. A Layered Abduction Model of Perception: Integrating Bottom-up and Top Down Processing in a Multi-Sense Agent. // Proceedings of the NASA Conference on Space Telerobotics. Pasadena, CA, 1989.
- Kakas A., Kowalski R.A., Toni F. Abductive Logic Programming. // Journal of Logic and Computation. 1993. — № 2(6). — P.719−770.
- Kakas A.C., Tony F., Kowalski R.A. A. Role of Abduction in Logic Programming // Handbook of Logic in Artificial Intelligence and Logic Programming. Oxford University Press, 1998. -Vol.5. — P. 235 — 324.
- Kitcher P., Salmon W. Scientific Explanation. University of Minnesota Press, Minneapolis, M.N., 1989.
- Konolige K. Abduction vs. Closure in Causal Theories. // Artificial Intelligence -1992. № 53(2−3). — P. 255−272.
- Leake D. B. Evaluating Explanations: A Content Theory. Hillsdale, NJ: Lawrence Erlbaum Associates, Inc, 1992.
- Lemmer J. F. Confidence Factors, Empiricism, and the Dempster-Shafer Theory of Evidence. // Uncertainty in Artificial Intelligence / Ed. by L. N. Kanal and J. F. Lemmer North-Holland, Amsterdam -1986. — P. 167−196.
- Levesque H. J. A Knowledge-Level Account of Abduction. // Proceedings of the International Joint Conference on Artificial Intelligence. Detroit, MI: AAAI Press/MIT Press, 1989. — P. 1061−1067.
- Mayer M.C., Pirri F. Propositional Abduction in Modal Logic // In Proceedings of the 3rd Workshop on Theorem Proving with Analytic Tableaux and Related Methods, 1994.
- Mcllraith Sheila A. Logic-Based Abductive Inference // Technical Report KSL98−19, Knowledge Systems Lab, Department of Computer Science, Stanford University, 1998.
- Miller R.R., Barnet R.C., Grahame N.J. Assessment of the Rescorla-Wagner Model. // Psycological Bulletin. 1995.- 117(3). -P.363−386.
- Miyata Y., Furuhashi Т., Uchikawa Y. A Study on Fuzzy Abductive Inference. // http://citeseer.ist.psu.edu/194 836.html.
- Mooney Raymond J. Integrating Abduction and Induction in Machine Learning // In Abduction and Induction: Essays on their Relation and Integration Kluwer Academic Press, 2000.- P. 181−191.
- Ng H. T. A General Abductive System with Applications to Plan Recognition and Diagnosis. // Ph.D. thesis, Department of Computer Sciences, University of Texas, Austin, TX., 1992.
- Ng, H. Т., Mooney R. J. Abductive Plan Recognition and Diagnosis: A Comprehensive Empirical Evaluation. // In: Proceedings of the Third International Conference on Principles of Knowledge Representation and Reasoning. Cambridge, MA, 1992. — P. 499−508.
- Ng H. Т., Mooney R. J. An Efficient First-Order Horn-Clause Abduction System Based on the ATMS. // In: Proceedings of the Ninth National Conference on Artificial Intelligence. Anaheim, CA, 1991. — P. 494−499.
- O’Rorke P. Automated Abduction and Machine Learning. // In Working Notes of the AAAI1988 Spring Symposium on Explanation-Based Learning / Ed. by G. DeJong.- Palo Alto, CA: AAAI, 1988. P. 170−174.
- O’Rorke P., El Fattah Y., Elliott M. Explaining and Generalizing Diagnostic Decisions. // In Machine Learning: Proceedings of the Tenth International Conference/ Ed. by P. E. Utgoff.- Amherst, MA: Morgan Kaufmann, 1993. P. 228−235.
- Pearl J. Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann, San Francisco, Calif., 1988.
- Pearl J. Reasoning with Belief Functions: a Critical Assessment. Technical Report R-136, UCLA, 1989.
- Peirce, C. Collected Papers of Charles Sanders Peirce (1839−1914). Cambridge, MA: Harvard University Press, 1958.
- Peng Y., Reggia J. A. Abductive Inference Methods for Diagnostic Problem Solving. New York: Springer-Verlag, 1990.
- Poole D. Normality and Faults in Logic-Based Diagnosis. // In: Proceedings of the Eleventh International Joint Conference on Artificial Intelligence. Detroit, MI, 1989. -P. 1304−1310.
- Poole D. On the Comparison of Theories: Preferring the Most Specific Explanation. // Proceedings of the International Joint Conference on Artificial Intelligence. -Los Angeles, CA: Morgan Kaufmann, 1985. P. 144−147.
- Poole D. Probabilistic Horn Abduction and Bayesian Networks. // Artificial Intelligence. -1993. № 64.
- Poole D. Representing Diagnostic Knowledge for Probabilistic Horn Abduction. // Proceedings of the Twelfth International Joint Conference on Artificial Intelligence. Sydney, Australia: Morgan Kaufmann, 1991. — P. 1129−1135.
- Poole D., Goebel R., Aleliunas R. Theorist: A Logical Reasoning System for Defaults and Diagnosis. // In The Knowledge Frontier: Essays in the Representation of Knowledge./ Ed. by N. Cercone & G. McCalla. New York: Springer-Verlag, 1987.
- Pople H. E. On the Mechanization of Abductive Logic. // Proceedings of the Third International Joint Conference on Artificial Intelligence. Stanford, CA: Morgan Kaufmann, 1973. — P. 147−152.
- Provan G. Efficiency of Multiple-Context TMSS in Scene Interpretation.// In Proceedings of the National Conference on Artificial Intelligence, 1987. -P.173−178.
- Reiter R. A Theory of Diagnosis from First Principles. // Artificial Intelligence -1987.-№ 32-P. 57−95.
- Shafer G. Allocations of probability // Annals of Probability 1979. — 7(5). — P. 827−839.
- Shafer G. A Mathematical Theory of Evidence. Princeton University Press, Princeton, N.J., 1976.
- Selman В., Levesque H.J. Adbutive and Default Reasoning: A Computational Care. // Proc. Oh the Eighth National Conference on Artificial Intelligence. Menlo Park. CA: AAAI Press/МГГ Press, 1990. — P.343−348.
- Smets P., Kennes R. The Transferable Belief Model: Comparison with Bayesian models. Manuscript, IRIDIA, Universite Libre de Bruxclles, 1050 Brussels, Belgium, 1989.
- Sun R., Alexandre F. A Hybrid Learning Model of Abductive Reasoning // The Working Notes of the IJCAI-95 Workshop on Connectionist-Symbolic Integration: From Unified to Hybrid Approaches, 1995. P. 12−17.
- Sundberg С., Wagner С. Generalized Finite Differences and Bayesian Conditioning of Choquet capacities Manuscript, 1991.
- Thagard P. Explanatory Coherence. // The Behavioral and Brain Sciences 1989. — № 12(3)/ - P. 435−502.
- Thagard P. Peirce on Hypothesis and Abduction. // In Proceedings of the С S. Peirce Bicentennial International Congress./ Ed. by Ketner K., Lubbock, TX: Texas Tech University Press, 1981. — P. 271−274.
- Thagard P., Shelley C. Abductive Reasoning: Logic, Visual Thinking and Coherence. // In Logic and Scientific Method / Ed. by Dalla Chiara M.L. et al. -Dordrecht, Kluwer Academic Publisher, 1997. P. 413−427.
- Thompson C. A. Inductive Learning for Abductive Diagnosis. Masters Thesis, Department of Computer Sciences, University of Texas, Austin, TX., 1993.
- Thompson C. A., Mooney R. J. Inductive Learning for Abductive Diagnosis. // In: Proceedings of the Twelfth National Conference on Artificial Intelligence. Seattle, WA, 1994. — P. 664−669.
- Tuhrim S., Reggia J., Goodall S. An Experimental Study of Criteria for Hypothesis Plausibility. // Journal of Experimental and Theoretical Artificial Intelligence 1991. — № 3. — P. 129−144.
- Walley P. Coherent Lower (and Upper) Probabilities. Manuscript, Dept. of Statistics, University of Warwick, 1981.
- Wang H., Johnson Todd R., Zhang J. Uecho: A Model of Uncertainty Management in Human Abductive Reasoning. // Hybrid Technical Report 1997 -No.4.
- Xu, H., Smets, Ph. Evidential Reasoning with Conditional Belief Functions.// Proceedings of the 10th Conference on Uncertainty in Artificial Intelligence, Seattle, 1994. — P. 598−605.
- Zadeh L. A. A Mathematical Theory of Evidence (book review) I IAI Magazine -1984. -5(3). P. 81−83.
- Zadeh L.A. Fuzzy Sets I I Information and Control. -1965.- Vol.8.-P.338−353.
- Zadeh L. A. Probability Measures of Fuzzy Events // J. of Mathematical Analysis and Applications 1968 — 23 — P. 421- 427.