APRENDIZAJE Y RAZONAMIENTO EN ESTRUCTURA HÍBRIDA

Título original:

LEARNING & REASONING IN HYBRID STRUCTURE

Contenido del libro:

Las aplicaciones de Inteligencia Artificial a menudo implican lidiar con la incertidumbre, como un entorno parcialmente observado u observaciones ruidosas. La teoría de la probabilidad es una forma de modelar la incertidumbre, pero la mayoría de los modelos probabilísticos actuales son incapaces de tratar dominios numéricos y lógicos híbridos.

Los modelos híbridos continuos/discretos existentes suelen ser limitados, sin garantías sobre el error de aproximación, por lo que muchos problemas del mundo real están fuera del alcance de los sistemas actuales. Este libro, Learning And Reasoning In Hybrid Structured Spaces, propone un formalismo reciente y general denominado Weighted Model Integration (wmi), que permite el modelado probabilístico y la inferencia en dominios estructurados híbridos. Los algoritmos de inferencia basados en wmi difieren de la mayoría de las alternativas en que las probabilidades se calculan dentro de un soporte estructurado que implica relaciones lógicas y algebraicas entre variables.

La investigación en este campo se encuentra todavía en una fase temprana, pero existe un interés creciente en el estudio de modelos probabilísticos híbridos y simbólicos y en el desarrollo de procedimientos de inferencia escalables y algoritmos de aprendizaje eficaces, y este libro presenta un estudio de técnicas de razonamiento y aprendizaje escalables en el contexto de Wmi. Al ofrecer una visión de una importante dirección de investigación, el libro será de interés para aquellos que deseen aprender más acerca de la habilitación de la inferencia probabilística escalable en aplicaciones de inteligencia artificial - proporcionado por el editor.