LEARNING & REASONING IN HYBRID STRUCTURE
A mesterséges intelligencia alkalmazásai gyakran járnak bizonytalansággal, például részlegesen megfigyelt környezettel vagy zajos megfigyelésekkel. A valószínűségelmélet az egyik módja a bizonytalanság modellezésének, de a jelenlegi valószínűségi modellek többsége nem képes kezelni a hibrid numerikus és logikai tartományokat.
A meglévő hibrid folyamatos/diszkrét modellek jellemzően korlátozottak, és nem garantálják a közelítési hibát, így a valós világ számos problémája a jelenlegi rendszerek számára elérhetetlen. Ez a könyv, Learning And Reasoning In Hybrid Structured Spaces, egy új és általános formalizmust javasol, a Weighted Model Integration (wmi) nevű módszert, amely lehetővé teszi a valószínűségi modellezést és következtetést hibrid strukturált tartományokban. A wmi-alapú következtetési algoritmusok abban különböznek a legtöbb alternatívától, hogy a valószínűségeket egy olyan strukturált hordozón belül számítják ki, amely a változók közötti logikai és algebrai kapcsolatokat egyaránt magában foglalja.
A kutatás ezen a területen még korai stádiumban van, de egyre nagyobb az érdeklődés a hibrid és szimbolikus valószínűségi modellek tanulmányozása, valamint a skálázható következtetési eljárások és hatékony tanulási algoritmusok fejlesztése iránt, és a könyv a skálázható következtetési és tanulási technikák tanulmányozásáról számol be a Wmi kontextusában. A fontos kutatási irányba betekintést nyújtó könyv azok számára lesz érdekes, akik többet szeretnének megtudni a skálázható valószínűségi következtetés lehetővé tételéről a mesterséges intelligencia alkalmazásokban - a kiadó által biztosított.