Interval / Probabilistic Uncertainty and Non-Classical Logics

بیشتر کاربردهای موفق علم و مهندسی مدرن، از کشف ژنوم انسان گرفته تا پیش‌بینی آب و هوا تا کنترل مأموریت‌های فضایی، شامل پردازش مقادیر زیادی داده و پایگاه‌های دانش بزرگ است. توانایی رایانه‌ها برای انجام سریع داده‌ها و پردازش دانش مبتنی بر پشتیبانی سخت‌افزاری برای عملیات‌های ابتدایی رایانه‌ای بسیار سریع است، مانند انجام عملیات حسابی با اعداد (دقیقاً شناخته شده) و انجام عملیات منطقی با دودویی (\"true\" -\ "false\") مقادیر منطقی. در عمل، اندازه گیری ها هرگز 100٪ دقیق نیستند. بنابراین لازم است دریابیم که چگونه این عدم دقت ورودی (عدم قطعیت) بر نتایج پردازش داده ها تأثیر می گذارد. گاهی اوقات، توزیع احتمال مربوطه را می دانیم. گاهی اوقات، ما فقط کران های بالای خطای اندازه گیری را می دانیم - که منجر به مرزهای فاصله ای در مقدار واقعی (ناشناخته) می شود. همچنین کارشناسان معمولاً در مورد عبارات مندرج در پایگاه های دانش 100% اطمینان ندارند. یک راه طبیعی برای توصیف این عدم قطعیت، استفاده از منطق های غیر کلاسیک (احتمالی، فازی، و غیره) است.

این کتاب حاوی مجموعه مقالات اولین کارگاه بین المللی است که محققانی را گرد هم می آورد که بر روی عدم قطعیت بازه ای و احتمالی و عدم قطعیت احتمالی کار می کنند. در منطق غیر کلاسیک ما امیدواریم که این کارگاه منجر به تقویت همکاری بسیار مورد نیاز بین تجزیه و تحلیل عدم قطعیت و جوامع منطق غیرکلاسیک شود و در نتیجه، به پردازش بهتر عدم قطعیت منجر شود.

Most successful applications of modern science and engineering, from discovering the human genome to predicting weather to controlling space missions, involve processing large amounts of data and large knowledge bases. The ability of computers to perform fast data and knowledge processing is based on the hardware support for super-fast elementary computer operations, such as performing arithmetic operations with (exactly known) numbers and performing logical operations with binary ("true"-"false") logical values. In practice, measurements are never 100% accurate. It is therefore necessary to find out how this input inaccuracy (uncertainty) affects the results of data processing. Sometimes, we know the corresponding probability distribution; sometimes, we only know the upper bounds on the measurement error -- which leads to interval bounds on the (unknown) actual value. Also, experts are usually not 100% certain about the statements included in the knowledge bases. A natural way to describe this uncertainty is to use non-classical logics (probabilistic, fuzzy, etc.).

This book contains proceedings of the first international workshop that brought together researchers working on interval and probabilistic uncertainty and on non-classical logics. We hope that this workshop will lead to a boost in the much-needed collaboration between the uncertainty analysis and non-classical logic communities, and thus, to better processing of uncertainty.