“Judea Pearl”的版本间的差异
第41行: | 第41行: | ||
UCLA Cognitive Systems Laboratory, Technical Report (R-476), May 2018. | UCLA Cognitive Systems Laboratory, Technical Report (R-476), May 2018. | ||
+ | |||
+ | == 编者推荐 == | ||
+ | |||
+ | === 集智俱乐部推文推荐 === | ||
+ | [https://swarma.org/?p=26472 统计学权威盘点过去50年最重要的统计学思想,因果推理、bootstrap等上榜,Judea Pearl点赞 | 集智俱乐部] | ||
+ | |||
+ | [https://swarma.org/?p=34329 福利 | 因果推断会是下一个AI热潮吗?Judea Pearl《因果论》重磅上市!] | ||
+ | |||
+ | [https://swarma.org/?p=32656 Stephen Wolfram专访Judea Pearl:从贝叶斯网络到元胞自动机 | 集智俱乐部] | ||
== 说明 == | == 说明 == |
2022年6月17日 (五) 23:17的版本
谁是 J. Pearl ?
1936年出生
教授,工作于计算机科学系 加州大学洛杉矶分校
获得图灵奖在2012年,因为发明贝叶斯网络
什么问题 对应 Pearl 的研究,问题被解决得 怎么样?
问题1:如何更新信念 依据不确定的信息?[1]
- 使用经典的逻辑,推理出现例外
例如:(1)如果我家的屋顶湿,邻居家的屋顶湿
(2)如果用水浇我家的屋顶,我家的屋顶湿
从(1)和(2)推理出: 如果用水浇我家的屋顶,邻居家的屋顶湿。
可以修改为:如果我家的屋顶湿,邻居家的屋顶湿,不包括用水浇我家的屋顶。
所以逻辑 需要覆盖例外情况,这样的逻辑称为Default Logic。
- 依据不确定的信息,如何推理出结论?
可以使用Fuzzy Logics,给结论赋予一系列可能的事实。
- 在推理中,如何模仿信息平行地传播 在大脑中?
使用Beysian Networks, 信息在polytrees中传播。如果传播路径有环(loops), Appropriate Method 能够高效的、准确的解决。在Appropriate method中,信息如何在loops传播,目前不知道。
- 依据不确定的信息,怎样推理 更好?
Causal Bayesian Networks,Pearl 正在研究。
参考文献
[1]J. Pearl, "A Personal Journey into Bayesian Networks,"
UCLA Cognitive Systems Laboratory, Technical Report (R-476), May 2018.
编者推荐
集智俱乐部推文推荐
统计学权威盘点过去50年最重要的统计学思想,因果推理、bootstrap等上榜,Judea Pearl点赞 | 集智俱乐部
福利 | 因果推断会是下一个AI热潮吗?Judea Pearl《因果论》重磅上市!
Stephen Wolfram专访Judea Pearl:从贝叶斯网络到元胞自动机 | 集智俱乐部
说明
J. Pearl 发表很多论文,是困难的 去编写问题 从Pearl 的论文 使用自己的语言。因此,我采用多轮次去编写。每个轮次编写1~2个问题。更多问题将编写。
- 如何编写问题? 请参考“V形图”