西安交大鲍军鹏教授解析：2022年人工智能不确定性与非单调推理深度探讨

本篇文档深入探讨了人工智能领域的第五章——不确定与非单调推理。这一章节主要关注处理和理解在决策过程中遇到的不确定性问题，这是AI发展中的关键环节。不确定性推理不再局限于经典逻辑，而是涵盖了对不精确、模糊或不确定知识的有效运用。 首先，不确定性推理的概念被明确为从不确切的初始证据出发，通过不确定性的知识，推导出具有一定不确定性的结论，这涉及到对知识和证据不确定性的理解和表示。知识不确定性通常由领域专家提供，作为静态强度的数值，如专家系统的知识基础。证据不确定性则采用类似的数值表示，称为动态强度，其度量方法需要考虑表达程度、易于估计、计算便利和直观性等因素。 在不确定性度量方面，文档提出了一种基于CF(H,E)的可信度方法，如MB(H,E)和MD(H,E)的互斥性。计算过程包括对单一证据的处理（如CF(H,E)乘以证据的可信度）以及结论不确定性的合成，例如当证据组合满足特定阈值（如λ）时，如何调整结论的可信度。 此外，不确定性推理还探讨了两种处理不确定性的策略：控制法和匹配法。控制法在决策层次上管理不确定性，确保在处理复杂的推理问题时能够有效地控制风险。而匹配法则关注证据与简单条件之间的对应关系，每个条件对应单一证据，这种一对一的关系有助于推理过程的执行。 非单调推理则是不确定性推理中的一个重要分支，它关注的是推理结果随证据变化的动态性。传统的单调推理假设增加新证据总是会加强已有的结论，而非单调推理允许结论可能因新信息而改变，这在处理动态环境和不断变化的世界观时尤为重要。 本篇文档提供了深入理解不确定性推理的基础理论，包括不确定性表示、度量方法，以及针对不确定性的处理策略，这对于AI系统在面对复杂现实世界的决策和知识表示中具有重要意义。通过学习这些内容，研究者和开发者可以设计出更智能、更能适应复杂情境的AI系统。