LEARNING & REASONING IN HYBRID STRUCTURE
Zastosowania sztucznej inteligencji często wymagają radzenia sobie z niepewnością, taką jak częściowo obserwowane środowisko lub hałaśliwe obserwacje. Teoria prawdopodobieństwa jest jednym ze sposobów modelowania niepewności, ale większość obecnych modeli probabilistycznych nie jest w stanie poradzić sobie z hybrydowymi domenami numerycznymi i logicznymi.
Istniejące hybrydowe modele ciągłe/dyskretne są zazwyczaj ograniczone, bez gwarancji błędu aproksymacji, więc wiele rzeczywistych problemów jest poza zasięgiem obecnych systemów. Niniejsza książka, Learning And Reasoning In Hybrid Structured Spaces, proponuje najnowszy i ogólny formalizm zwany Weighted Model Integration (wmi), który umożliwia modelowanie probabilistyczne i wnioskowanie w hybrydowych domenach strukturalnych. Algorytmy wnioskowania oparte na wmi różnią się od większości alternatyw tym, że prawdopodobieństwa są obliczane wewnątrz strukturalnego wsparcia obejmującego zarówno logiczne, jak i algebraiczne relacje między zmiennymi.
Badania w tym obszarze pozostają na wczesnym etapie, ale rośnie zainteresowanie badaniem hybrydowych i symbolicznych modeli probabilistycznych oraz rozwojem skalowalnych procedur wnioskowania i skutecznych algorytmów uczenia się, a książka zawiera raporty z badania skalowalnych technik rozumowania i uczenia się w kontekście Wmi. Oferując wgląd w ważny kierunek badań, książka będzie interesująca dla tych, którzy chcą dowiedzieć się więcej o umożliwieniu skalowalnego wnioskowania probabilistycznego w zastosowaniach sztucznej inteligencji - dostarczone przez wydawcę.