Rede Lógica Probabilística

Origem: Wikipédia, a enciclopédia livre.
Ir para: navegação, pesquisa
NoFonti.svg
Esta página ou secção cita fontes confiáveis e independentes, mas que não cobrem todo o conteúdo (desde março de 2014).
Por favor, adicione mais referências inserindo-as no texto ou no rodapé. Material sem fontes poderá ser removido.—Encontre fontes: Google (notícias, livros e acadêmico)

A rede lógica probabilística (RLP) é uma abordagem conceitual, matemática e computacional para inferência incerta; inspirado em lógica de programação, mas usando probabilidade em lugar de valorações verdade , e incerteza fracionária no lugar de valores (conhecido / desconhecido) . A fim de realizar um raciocínio eficaz em circunstâncias do mundo real, O software de inteligência artificial deve lidar com a incerteza. No entanto, as abordagens anteriores a inferência incerta não tem o escopo necessário para fornecer cognitivamente um tratamento integrado das formas díspares de incerteza, como eles se manifestam dentro das várias formas de inferência pragmáticas. Indo além das abordagens probabilísticas anteriores a inferência incerta, RLP é capaz de abarcar dentro da lógica tais idéias incertas como indução, abdução, analogia, imprecisão e especulação, e do raciocinar sobre o tempo e causalidade.

RLP foi desenvolvido por Ben Goertzel, Matt Ikle, Izabela Lyon Freire Goertzel e Ari Heljakka para uso como um algoritmo cognitivo utilizado por MindAgents (empresa) dentro do núcleo OpenCog. RLP foi desenvolvido originalmente para uso dentro do Novamente Cognição Engine (empresa).

Objetivo[editar | editar código-fonte]

O objetivo básico do RLP é fornecer inferência probabilística razoavelmente precisa de uma forma que seja compatível com a lógica clássica e a lógica de predicados, e escalas para operar em tempo real em grandes bases de conhecimento dinâmicos.

O objetivo subjacente ao desenvolvimento teórico de RLP tem sido a criação de sistemas de software práticos realizando inferências complexas, úteis com base no conhecimento incerto e tirar conclusões incertas. RLP foi projetado para permitir a inferência probabilística básicas para interagir com outros tipos de inferência, como inferência intencional, de inferência imprecisa, e inferência de ordem superior usando quantificadores, variáveis e combinadores, e ser uma abordagem mais conveniente do que as redes Bayesianas com a finalidade de estabelecer uma interface entre a inferência probabilística de base com esses outros tipos de inferência. Além disso, as regras de inferência são formuladas de tal modo a evitar os paradoxo da teoria Dempster-Shafer.


Implementação[editar | editar código-fonte]

RLP começa com uma fundação de lógica clássica, e em seguida, adiciona nos elementos da lógica probabilística e combinatória , bem como alguns aspectos da lógica de predicados e lógica autoepistemica , para formar um sistema de inferência completo , sob medida para uma fácil integração com componentes de software que incorporam outros ( não explicitamente lógicos) aspectos da inteligência .

RLP representa valores verdade como intervalos , mas com semântica diferentes do que na teoria de probabilidade imprecisa. Além da interpretação da verdade de uma forma probabilística , um valor verdade no RLP também tem uma quantidade de certeza associada. Isto generaliza a noção de valor verdade usado na lógica autoepistemica , onde os valores verdade ou são conhecidos ou não, e quando conhecidos, são verdadeiros ou falsos .

A versão atual do RLP tem sido utilizado em aplicações "narrow- AI" , como a inferência de hipóteses biológicas de conhecimentos extraídos de textos biológicos através de processamento de linguagem , e para auxiliar o aprendizado por reforço de um agente encarnado , em um mundo virtual simples , já o ensinou a brincar de "pegar a bola" .


Referências[editar | editar código-fonte]

  • Ben Goertzel, Matthew Iklé, Izabela Lyon Freire Goertzel, Ari Heljakka (2008). Probabilistic Logic Networks: A Comprehensive Conceptual, Mathematical and Computational Framework for Uncertain Inference. [S.l.]: Springer. 333 páginas. ISBN 0-387-76871-8 
  • Matthew Richardson, Pedro Domingos (2006). Markov logic networks. [S.l.]: Machine Learning. pp. 107–136. ISSN 0885-6125 

Veja também[editar | editar código-fonte]

Links externos[editar | editar código-fonte]