Probabilistic Logic Networks: A Comprehensive Framework for Uncertain Inference

این کتاب شبکه‌های منطق احتمالی (PLN)، یک رویکرد مفهومی، ریاضی و محاسباتی جدید برای استنتاج نامطمئن را توصیف می‌کند. فراتر از رویکردهای احتمالی قبلی برای استنتاج نامطمئن، PLN شامل ایده هایی مانند استقرا، ربایش، قیاس، مبهم بودن و حدس و گمان، و استدلال در مورد زمان و علیت است. این کتاب مروری بر PLN در زمینه سایر رویکردهای استنتاج نامطمئن ارائه می دهد. موضوعاتی که در متن به آنها پرداخته می شود عبارتند از:

• رسم گرایی اساسی بازنمایی دانش PLN
• تفسیر مفهومی از اصطلاحات به کار رفته در PLN
• رویکرد احتمال نامحدود برای کمی کردن عدم قطعیت، ارائه یک روش کلی برای محاسبه \"وزن شواهد\" زیربنای نتیجه گیری استنتاج نامطمئن
• قوانین استنتاج خاص PLN و فرمولهای ارزش صدق متناظر که برای تعیین قدرت نتیجه گیری یک قانون استنتاج از نقاط قوت مقدمات استفاده می شود< /LI>
• راهبردهای استنتاج در مقیاس بزرگ
• استنتاج با استفاده از متغیرها

</ P>

• احتمال‌های نامشخص شامل کمی‌سازها
• ارث بر اساس ویژگی‌ها یا الگوها

< LI>موتور شناخت Novamente، کاربرد PLN

• منطق زمانی و علّی در پژوهشگران PLN

و دانشجویان کارشناسی ارشد هوش مصنوعی ، علوم کامپیوتر، ریاضیات و علوم شناختی این دیدگاه جدید در مورد استنتاج نامطمئن را یک ادغام تفکر برانگیز از ایده ها از انواع دیگر رشته های تحقیق خواهند یافت.

< /UL>

This book describes Probabilistic Logic Networks (PLN), a novel conceptual, mathematical and computational approach to uncertain inference. Going beyond prior probabilistic approaches to uncertain inference, PLN encompasses such ideas as induction, abduction, analogy, fuzziness and speculation, and reasoning about time and causality. The book provides an overview of PLN in the context of other approaches to uncertain inference. Topics addressed in the text include:

• the basic formalism of PLN knowledge representation
• the conceptual interpretation of the terms used in PLN
• an indefinite probability approach to quantifying uncertainty, providing a general method for calculating the "weight-of-evidence" underlying the conclusions of uncertain inference
• specific PLN inference rules and the corresponding truth-value formulas used to determine the strength of the conclusion of an inference rule from the strengths of the premises
• large-scale inference strategies
• inference using variables
• indefinite probabilities involving quantifiers
• inheritance based on properties or patterns
• the Novamente Cognition Engine, an application of PLN
• temporal and causal logic in PLN

Researchers and graduate students in artificial intelligence, computer science, mathematics and cognitive sciences will find this novel perspective on uncertain inference a thought-provoking integration of ideas from a variety of other lines of inquiry.