Kurzfassung
Eine CEG-Complete Event Group ist eine Menge von diskreten Ereignisvariablen mit einer gemeinsamen Wahrscheinlichkeitsverteilung; sie dient in der KI zur Repräsentation unsicheren Wissens. Der Abgleich der Gesamtverteilung bei mimaler relativer Entropie nach Änderung einer oder mehrerer Randverteilungen ist in der W(ahrscheinlichkeits)-Theorie eine bekannte Aufgabe; in einer probabilistischen Wissensbasis wird dieser Vorgang zur Informationseingabe und Prognose verwendet. Die Änderung der Randverteilung ihrerseits wird in der vorliegenden Arbeit so durchgeführt, daß sie einer logischen Funktion über einer evidenten Ereignismenge entspricht. Ebenfalls wird aufgezeigt, wie die Randverteilung auf Hypothesen als logische Funktion interpretierbar ist.
Abstract
A Complete Event Group (CEG) is a set of event variables with a joint probability distribution, representing uncertainty in a knowledge base in the field of AI. In statistics it is a familiar task to calculate the joint distribution at minimal directed divergence according to modified marginals. The modification of marginals here is that of handling a logical function on evident facts. Furthermore a logical interpretation of hypothetical events is given.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Similar content being viewed by others
Literature
Barth, S.W.; Norton, S.W. Knowledge Engineering within a Generalized Bayesian Framework, in: Uncertainty in AI 2, 103 - 114, North-Holland (1988)
Ireland, C.T.; Kullback, S. Contingency Tables with given marginals. Biometrika, 55, 1, 179 (1968)
Lemmer, J.F. Generalized Bayesian updating of incompletely specified distributions. Large Scale Systems 5, Elsevier Science Publishers, 51–68 (1983)
Lemmer, J.F. Efficient minimum information updating for Bayesian inferencing in Expert Systems. in: Proceedings of the AAAI (1982)
Nilsson, N.J. Probabilistic Logic. in: Artificial Intelligence 28, 71–87 (1986)
Norton, S.W. An Explanation Mechanism for Bayesian Inferencing Systems, in: Uncertainty in AI 2, 165–173, North-Holland (1988)
Reidmacher, H.P. Ph.D. Thesis at the FernUniversität Hagen, Hagen (1992)
Rödder, W. Symmetrical Probabilistic Intensional Reasoning in Inference Networks in Transition. in: Proceedings of The World Congress on Expert Systems I, 530–540, Orlando (1991)
Rödder, W.; Kuhlmann, F. Propagation in Arbitrary Networks, eingereicht bei Acta Informatica, Springer Verlag
Rödder, W.; Reidmacher, H.P. SPIRIT - Learning and Intensional Reasoning in Cliques. Diskussionsbeitrag Nr. 177, FernUni Hägen (1991)
Shore, J.E Relative Entropy, Probabilistic Inference, and AI in: Uncertainty in AI, North-Holland, 211–215 (1986)
Slack, T.B. Advantages and Limitation of Using LEG Nets in a Real Time Problem. in: Uncertainty in AI 3, 191–197, North-Holland (1989)
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1993 Springer-Verlag Heidelberg
About this paper
Cite this paper
Rödder, W., Longgui, X. (1993). Spirit. In: Hansmann, KW., Bachem, A., Jarke, M., Katzenberger, W.E., Marusev, A. (eds) DGOR / ÖGOR. Operations Research Proceedings 1992, vol 1992. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-78196-4_130
Download citation
DOI: https://doi.org/10.1007/978-3-642-78196-4_130
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-56642-7
Online ISBN: 978-3-642-78196-4
eBook Packages: Springer Book Archive