前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >专栏 >新概率书 Structured Probabilistic Reasoning

新概率书 Structured Probabilistic Reasoning

作者头像
CreateAMind
发布于 2022-03-14 06:28:13
发布于 2022-03-14 06:28:13
5080
举报
文章被收录于专栏:CreateAMindCreateAMind

关键词:图形推理,量子理论,从正确或错误中学习,反向推理,精确的数学区分,推理涟漪效应,可解释的坚实数学基础,因果

how we learn 第二章 人脑比机器强在哪?(长文)提到贝叶斯在认知及学习中的重要作用毋庸置疑,贝叶斯概率理论方法也需要继续发展,这本未完成的新书为贝叶斯理论方法的发展做了很多工作:

序言相关介绍的自动翻译

在概率领域有相当多的数学结构。这本书存在的理由是比通常强调的有更多的结构——尤其是代数的和范畴的。

这本书受到量子理论的影响,例如,在书写离散概率分布时,使用“状态”、“可观测的”和“测试”作为“分布”、样本空间上的 R 值函数和相容(可求和)谓词的同义词;在书写离散概率分布时,使用 ket 符号|–); 在使用 daggers 作为反转时,类似于共轭转置(希尔伯特空间)。

应该说:对于受过正规方法训练的人来说,概率理论的领域可能是相当草率的:一切都被称为“P ”,类型很少被使用,关键成分(如期望值的分布)被隐含,基本概念(如共轭先验)仅通过例子介绍,计算公式和算法通常只是给出,没有解释、目标或理由等。这很伤人,尤其是因为周围有这么多美丽的数学结构。例如,通道的概念(见下文)将条件概率的概念正式化,并带有丰富的数学结构,可用于组合推理,包括顺序组合和并行组合。通道的贝叶斯反演(“匕首”)不仅具有吸引人的数学(分类)属性,例如与顺序和并行组合的平滑交互,而且在推理和学习中也非常有用。通过这个匕首,我们可以连接正向和反向推理(见定理6.6.3:反向推理是使用匕首的正向推理,反之亦然),并捕捉 Pearl 和Jeffrey 的更新规则之间的差异(见定理 6.7.4: Pearl 增加有效性,而Jeffrey 减少发散)

(从正确的事情中学习和从错误的事情中学习 https://arxiv.org/abs/2112.14045

更新(或调节或修改)概率分布的概念是(机器)学习和预测编码理论的基础。这样做的两种主要方法称为珀尔规则和杰弗里规则。在这里,我们第一次在数学上精确地区分了它们:Pearl 的规则增加了有效性(期望值),而 Jeffrey 的规则减少了(Kullback-Leibler)散度。这形成了从正确的事物中学习和从错误的事物中学习之间更普遍的区别的一个例子。这两种方法之间的区别在模拟认知场景中得到了说明。)

我们甚至敢想,概率称呼为p这种“马虎”最终会阻碍概率领域的发展,特别是在计算机科学中,计算机辅助推理需要一个清晰的语法和语义。例如,甚至很难用标准概率符号来表达上述定理 6.6.3 和 6.7.4。人们可以推测,在传统的概率论中,状态/分布是隐式的,因为在许多例子中,它们在背景中被用作固定的隐式假设。事实上,在数学符号中,人们倾向于忽略最不相关的(隐含的)参数——为了提高效率。但是概率计算的本质是状态转换,在这种情况下,明确地知道一个人在哪个阶段处于哪个状态变得非常重要。本书中发展的符号在这种情况下有所帮助——我们希望在许多其他情况下也是如此。

概率论除了有优美的结构,还有魔力。可以从以下两点中找到。

1 概率分布是可以更新的,这样就有可能吸收信息(证据)并从中学习。

基于数据的多次更新可用于训练,使得分布吸收越来越多的信息,并可随后用于预测或分类。

2 在一个产品空间中,联合发布的组件可以相互“倾听”,因此一个(产品)组件中的更新会在其他组件中产生交叉涟漪效应。这种连锁反应看起来像量子物理学中发生的事情,测量一个纠缠的量子系统的一部分会改变其他部分。

这两点的结合非常有力,形成了概率推理的基础。例如,如果我们知道两种现象是相关的,并且我们有关于其中一种现象的新信息,那么在更新之后,我们也了解到关于另一种现象的新信息。我们将看到,这种交叉涟漪效应可以用两种等价的方式来描述,从一个分量中有证据的联合分布开始。

• 我们可以使用“弱化-更新-边缘化”的方法,首先将证据从一个组件弱化到整个产品空间,使其符合联合分布并可用于更新;随后,我们将更新的状态边缘化到我们希望了解更多的组件。这就是通过联合分布的连锁反应变得明显的地方。

• 我们也可以使用“提取-推断”技术,首先从联合分布中提取条件概率(通道),然后根据证据沿着通道进行(向前或向后)推断。如果我们在贝叶斯网络中进行推理,当网络中某一点的信息在连接中上下传递,以得出网络中另一点的结论时,就会发生这种情况。

以下几个方面体现了本书的方法。

1 信道被用作概率推理的基石。(通信)信道的概念在其他地方广泛使用,有各种名称,如条件概率、随机矩阵、概率分类器、马尔可夫核、条件概率表(在贝叶斯网络中)、概率函数/计算、信号(在贝叶斯说服理论中),最后称为 Kleisli 映射(在范畴理论中)。通道可以顺序地和并行地组成,并且可以转换状态和谓词。对于所有相关的集合类型(列表、子集、多集、分布),例如对于非确定性的和概率计算, 都存在信道。然而,在关于集合类型的第一章之后,通道将以概率的形式专门用于分布。

2 多重集在捕捉各种形式的数据中起着核心作用,比如瓮中的彩球、从瓮中提取的数据、表格、后续学习步骤的输入等。多重集和分布之间的相互作用,特别是在学习中,是一个反复出现的主题。

3 状态(分布)被视为独立于谓词,并且是双重的。这些谓词是(隐式)概率逻辑的组成部分,例如合取和否定操作。状态实际上是不同的实体,有它们自己的操作,没有例如连接和否定。在本书中,谓词标准地以模糊(软的,非清晰的)形式出现,取值于单位区间[0,1]。沿着通道,可以向前传输状态,向后传输谓词。一个核心概念是有效性状态中的谓词,写为|=。它被标准地称为期望值。调节包括用谓词更新状态。

不仅仅是数学美学推动了本书的发展。如今,概率论构成了大部分大数据分析人工智能的基础。这些领域具有越来越大的社会相关性,并为现代世界观提供了基础——更多地基于相关性而不是因果关系——也为许多现代决策提供了基础,这些决策可能会以深远的方式影响数十亿人的生活。越来越需要证明这种概率推理方法和决策的合理性,例如在欧洲通用数据保护条例(GDPR)提供的法律环境中。其叙文 71 是关于自动决策的,并谈到获得解释的权利:

因为驾驶蓝色汽车和拖欠抵押贷款之间存在关联,因为你驾驶蓝色汽车而拒绝你的抵押贷款申请是不可接受的。

这些和其他发展导致了一个新的领域,称为可解释的人工智能(XAI),它努力为决策提供人类可以容易理解的解释,没有偏见或歧视。虽然这本书不会对 XAI 本身有所贡献,但它旨在为这种解释提供一个坚实的数学基础

概率论领域的一个非常特殊的技术是条件反射,也称为信念更新,或简称为更新。它涉及到将证据纳入一种分配(状态),以便更好地分配符合证据。在传统概率中,这种条件只能通过计算条件概率的规则 P (B | A)间接获得。

在第六章中,我们将条件化公式化为一个显式操作,将一个状态 ω 和一个谓词 p 映射到一个新的更新状态 ω|p。一个关键结果是 ω|p 中 p 的有效性高于原始状态 ω 中 p 的有效性。这意味着我们已经从 p 中学习,并且将我们的状态(思想)从 ω 调整到 ω|p。

这个更新操作ω| p以模糊的形式形成一个动作(状态上的谓词),并满足贝叶斯规则。前进与后退的结合沿着通道的转换导致了正向推理(因果推理)和反向推理(证据推理)的技术。这些干扰技术在许多例子中都有说明,包括贝叶斯网络。反向推理规则也称为珀尔规则。原来存在一种替代的更新机制,叫做杰弗里规则。它可以给出完全不同的结果。杰弗里规则的正式化是基于通道方向的反转。这相当于将一个条件概率 P (y | x)转化为 P (x | y ),本质上是通过贝叶斯法则。这种贝叶斯反演也被称为信道的“匕首”,因为它满足希尔伯特空间(和量子理论)中的匕首运算(或共轭转置)的性质。

这一章包括这两个更新规则的不同目标的数学特征:珀尔的规则增加有效性,杰弗里的规则减少分歧。更通俗地说,一个人通过珀尔法则学习,改善进展顺利的地方,通过杰弗里法则学习,减少出错的地方。因此,杰弗里法则是一种纠错机制。这符合预测编码理论[64,23]的基本思想,即人类思维被视为通过减少预测误差来运行的贝叶斯预测引擎。

由于通道可以顺序和并行组合,我们可以使用图形技术来表示通道的组合。所谓的弦图已经在物理学和范畴理论中发展起来,以处理相关的组成结构(对称幺半群范畴)。第七章介绍了这些(定向)图形技术。它首先描述了字符串图。它们类似于用于贝叶斯网络的图,但是它们具有复制和丢弃的显式操作,因此更具表现力。但最重要的是,字符串图表有一个明确的语义,即在渠道方面。这一章在马尔可夫链和隐马尔可夫模型基础的基于信道的描述中说明了这些字符串图

原文:http://www.cs.ru.nl/B.Jacobs/PAPERS/ProbabilisticReasoning.pdf

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-03-12,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 CreateAMind 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
强化学习缺陷:如何用贝叶斯从错误中学习-安全及效率
Learning from What’s Right and Learning from What’s Wrong
CreateAMind
2022/04/15
5190
强化学习缺陷:如何用贝叶斯从错误中学习-安全及效率
贝叶斯网络的因果关系检测(Python)
虽然机器学习技术可以实现良好的性能,但提取与目标变量的因果关系并不直观。换句话说,就是:哪些变量对目标变量有直接的因果影响?
算法进阶
2023/09/21
1.7K0
贝叶斯网络的因果关系检测(Python)
全栈必备 贝叶斯方法
对一个全栈老码农而言,经常在开发或者研发管理的时候遇到各种预测、决策、推断、分类、检测、排序等诸多问题。面对“你的代码还有bug么?”这样的挑战,一种理智的回答是,我们已经执行了若干测试用例,当前代码中存在bug的可能性是百分之零点几。也就是说,我们对当前程序中没有bug的信心是百分之九十九点几。这实际上就是一直贝叶斯思维,或者说使用了贝叶斯方法。不论我们看到,还是没有看到,贝叶斯方法都在那里,熠熠生辉。
半吊子全栈工匠
2018/08/22
5170
全栈必备 贝叶斯方法
在没有数据的情况下使用贝叶斯定理设计知识驱动模型
数据是模型的基础,但是没有数据只有领域专家也可以很好地描述或甚至预测给定环境的“情况”。我将根据贝叶斯概率来总结知识驱动模型的概念,然后是一个实际教程,以演示将专家的知识转换为贝叶斯模型以进行推理的步骤。我将使用 Sprinkler 系统从概念上解释过程中的步骤:从知识到模型。最后我将讨论复杂的知识驱动模型的挑战,以及由于质疑和提取知识而可能发生的系统错误。所有示例都是使用 python 的 bnlearn 库创建的。
deephub
2021/10/09
2.2K0
在没有数据的情况下使用贝叶斯定理设计知识驱动模型
深入浅出经典贝叶斯统计
当结果是一个不确定但可重复的过程的结果时,概率总是可以通过简单地观察多次过程的重复并计算每个事件发生的频率来衡量。这些频率概率可以很好地陈述客观现实。如
数据STUDIO
2021/11/10
1.2K0
【彩票】白话贝叶斯理论及在足球比赛结果预测中的应用
贝叶斯是一名1702年出生于伦敦的英国数学家,他首先将归纳推理法用于概率论基础理论,并创立了贝叶斯统计理论,对于统计决策函数、统计推断、统计的估算等做出了贡献,对于现代概率论和数理统计都有很重要的作用。所以看到的 贝叶斯 其实都是为了纪念这位伟大的数学家的贡献,贝叶斯公式也是他提出的,所以都是根据他的名字命名。
统计学家
2019/04/10
3.9K0
【彩票】白话贝叶斯理论及在足球比赛结果预测中的应用
掌握机器学习数学基础之概率统计(一)
标题: 机器学习为什么要使用概率 概率学派和贝叶斯学派 何为随机变量和何又为概率分布? 条件概率,联合概率和全概率公式: 边缘概率 独立性和条件独立性 期望、方差、协方差和相关系数 常用概率分布 贝叶
企鹅号小编
2018/02/05
8790
掌握机器学习数学基础之概率统计(一)
机器学习数学基础之概率统计
1、我们借助概率论来解释分析机器学习为什么是这样的,有什么依据,同时反过来借助概率论来推导出更多机器学习算法。很多人说机器学习是老中医,星座学,最主要的原因是机器学习的很多不可解释性,我们应用概率知识可以解释一部分,但还是很多值得我们去解释理解的东西,同时,什么时候机器学习更多的可解释了,反过来,可以用那些理论也可以继续为机器学习的,对人工智能创造推出更多的理论,等到那一天,也许真的能脱离更多的人工智障了。
统计学家
2019/05/06
7900
机器学习数学基础之概率统计
[机器学习实战札记] 朴素贝叶斯
《概率论》(当年我学习的课程为《概率论与数理统计》,涵盖了概率论与统计学)应该是每个理工科大学生都要学习的课程,不知道有多少同学和我一样,学得一头雾水。悲催的是,考研的时候又学习了一遍,依然不着门路,靠死记硬背过关。好在后面的学习和工作生涯中,再没有和它打过照面,直到最近开始接触机器学习。
云水木石
2019/07/01
6860
[机器学习实战札记] 朴素贝叶斯
【贝叶斯系列】在研究机构如何应用贝叶方法论进行量化投资
贝叶斯方法与量化投资 贝叶斯方法在量化投资中有哪些应用? 股票分类 市场趋势识别 波动率估计 投资组合风险 股票分类 构造投资组合的方法是买入好的 股票(未来收益率高)或卖出(空) 差的股票(未来
量化投资与机器学习微信公众号
2018/01/30
2.2K0
【贝叶斯系列】在研究机构如何应用贝叶方法论进行量化投资
「Deep Learning」读书系列分享第三章:概率和信息论 | 分享总结
「Deep Learning」这本书是机器学习领域的重磅书籍,三位作者分别是机器学习界名人、GAN 的提出者、谷歌大脑研究科学家 Ian Goodfellow,神经网络领域创始三位创始人之一的蒙特利尔大学教授 Yoshua Bengio(也是 Ian Goodfellow 的老师)、同在蒙特利尔大学的神经网络与数据挖掘教授 Aaron Courville。只看作者阵容就知道这本书肯定能够从深度学习的基础知识和原理一直讲到最新的方法,而且在技术的应用方面也有许多具体介绍。这本书面向的对象也不仅是学习相关专业的
AI研习社
2018/03/19
7520
「Deep Learning」读书系列分享第三章:概率和信息论 | 分享总结
概率论之概念解析:用贝叶斯推断进行参数估计
【导读】既昨天推出概率论之概念解析:极大似然估计,大家反响热烈,今天专知推出其续集——贝叶斯推断进行参数估计。本文是数据科学家Jonny Brooks-Bartlett概率论基础概念系列博客中的“贝叶斯推断”一章,主要讲解了使用贝叶斯定理进行参数估计的细节。作者使用简单的例子、通俗的语言讲解枯燥的数学公式,博文内容覆盖了贝叶斯定理、贝叶斯公式、共轭先验、贝叶斯推断进行参数估计。这是一篇非常不错的贝叶斯入门文章,如果你对贝叶斯基础有所欠缺,相信你一定能从本文获益良多。 概率论基础概念系列博客——概率论之概念解
WZEARW
2018/04/12
4.3K0
概率论之概念解析:用贝叶斯推断进行参数估计
理解计算 从根号2到AlphaGo 第七季 无处不在的贝叶斯-人物篇
http://www.tensorinfinity.com/paper_162.html
SIGAI学习与实践平台
2019/05/27
1.1K0
理解计算 从根号2到AlphaGo 第七季 无处不在的贝叶斯-人物篇
用基础比率重写清晰的贝叶斯公式
贝叶斯定理是以英国统计学家和哲学家托马斯·贝叶斯(1701-1761)的名字命名的,他正式证明了新的证据可以用来更新信念。法国数学家皮埃尔·西蒙·拉普拉斯(1749-1827)进一步发展了这种形式主义,他在1812年的《概率分析》中首次发表了贝叶斯定理的传统表述。(9.4):
CreateAMind
2022/06/10
6660
用基础比率重写清晰的贝叶斯公式
朴素贝叶斯模型(NBM)详解与在Matlab和Python里的具体应用
今天给大家介绍机器学习的一种分类模型朴素贝叶斯模型,这是我整理了好久的文章,希望大家能学到一点知识我也是欣慰的^_^o~ 努力! 点击阅读原文可获得工具包连接与密码:sm2s 回复贝叶斯Matlab可获取全部文章 Word版 贝叶斯 Thomas Bayes,英国数学家。他首先将归纳推理法用于概率论基础理论,并创立了贝叶斯统计理论,对于统计决策函数、统计推断、统计的估算等做出了贡献。 贝叶斯决策理论是主观贝叶斯派归纳理论的重要组成部分。贝叶斯决策就是在不完全情报下,对部分未知的状态用主观概率估计,然后用
量化投资与机器学习微信公众号
2018/01/29
5.3K0
【机器学习基础】分类算法之贝叶斯网络
一个贝叶斯网络定义包括一个有向无环图(DAG)和一个条件概率表集合。DAG中每一个节点表示一个随机变量,可以是可直接观测变量或隐藏变量,而有向边表示随机变量间的条件依赖;条件概率表中的每一个元素对应DAG中唯一的节点,存储此节点对于其所有直接前驱节点的联合条件概率。
统计学家
2021/10/11
1K0
【名家】王培:仅靠概率论的机器学习无法实现通用智能
【新智元导读】王培认为,贝叶斯解释在通用智能系统中适用性有限,因此仅靠概率论的机器学习方法并不能让计算机拥有可比人脑的智能,概率论虽然是个好东西,但这条路并不能让我们抵达通用智能。 自上世纪八十年代以来,概率统计逐渐取代数理逻辑成为人工智能中最流行的形式化框架,以至于有人以此作为“新AI”取代“旧AI”的标志。源远流长的概率论和数理统计在“数据挖掘”、“大数据”、“数据科学”、“神经网络”、“机器学习”等新潮名目之下焕发出了茁壮的生命力。尤其是“深度学习”技术在近年间令人炫目的进展,令很多人考虑是否沿这条路
新智元
2018/03/22
9330
算法金 | AI 基石,无处不在的朴素贝叶斯算法
但在 20 世纪,这一理论被重新发现并广泛应用于各个领域,如机器学习、医学诊断和金融分析等
算法金
2024/06/10
1780
算法金 | AI 基石,无处不在的朴素贝叶斯算法
PRML读书笔记(1) - 深度理解机器学习之概率论(Probability Theory)
「总结自经典机器学习教材《Pattern Recognition and Machine Learning》以及김동국教授的人工神经网络纯理论课程。在此感谢作者及教授的辛苦教学。本篇内容很多东西没有很明确地说明,仅限学习使用」
caoqi95
2019/03/28
1.9K0
PRML读书笔记(1) - 深度理解机器学习之概率论(Probability Theory)
贝叶斯网络,看完这篇我终于理解了(附代码)!
概率图模型是用图来表示变量概率依赖关系的理论,结合概率论与图论的知识,利用图来表示与模型有关的变量的联合概率分布。由图灵奖获得者Pearl开发出来。
mantch
2019/07/30
4.6K0
贝叶斯网络,看完这篇我终于理解了(附代码)!
推荐阅读
相关推荐
强化学习缺陷:如何用贝叶斯从错误中学习-安全及效率
更多 >
领券
社区富文本编辑器全新改版!诚邀体验~
全新交互,全新视觉,新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能,全面提升创作效率和体验
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
查看详情【社区公告】 技术创作特训营有奖征文