人工智能基于模型推理

来源：蜘蛛抓取(WebSpider) 时间：2021-07-12 10:46 标签：

1、基于知识图谱的路径排序推理方法可属于如下哪一种方法（    C ）

  • A.无监督学习（即无标注数据）

  • C.监督学习（即利用标注数据）

2、下面哪个步骤不属于基于知识图谱的路径排序推理方法中的一个步骤（ B  ）

  • A.定义和选择某一特定的分类器

  • B.定义和选择do算子操作

  • C.定义和选择若干标注训练数据

  • D.定义和选择训练数据的特征

3、在基于知识图谱的路径排序推理方法中最后训练所得分类器的功能是（   B）

  • A.给定两个实体（知识图谱中的两个节点），判断其是否存在超过小于一定长度的路径

  • B.给定两个实体（知识图谱中的两个节点）判断其是否具有分类器所表达的关系（即节点之间是否具有分类器所能够辨认的关系）

  • C.判断一个给定实体（知识图谱中的一个节点）是否存在邻接节点

  • D.给定两个实体（知识图谱中的两个节点），判断其是否存在超过一定长度的路径

  • A. 为了克服辛普森悖论需要从观测结果中寻找引发结果的原因，由果溯因

  • B.在某些情况下，忽略潜在的“第三个變量”,可能会改变已有的结论而我们常常却一无所知。

  • C.辛普森悖论的原因在于数据之间相互不关联

  • D.如果忽略了一些潜在因素，可能会導致全部数据上观察到的结果却在部分数据上不成立

5、下面哪个描述的问题不属于因果分析的内容（    D ）

  • A.如果商品价格涨价一倍，预测销售量P′(sales)的变化

  • B.如果放弃吸烟预测癌症P′(cancer) 的概率

  • C.如果广告投入增长一倍，预测销售量的增长

  • D. 购买了A商品的顾客是否会购买B商品

6、下面哪个模型不属于用来进行因果推理的模型（D    ）

7、下面哪个说法是不正确的（ B  ）

  • A.一个有向无环图唯一地决定一个联合分布

  • B.一个有向无环图无法唯┅地决定一个联合分布

  • C.一个联合分布不能唯一地决定有向无环图

  • D.在有向无环图中父辈节点“促成”了孩子节点的取值

  • A.用于判断集合A中变量是否与集合B中变量是否不存在链接

  • B.用于判断集合A中变量是否与集合B中变量相关（给定集合C）

  • C.用于判断集合A中变量是否与集合B中变量相互獨立（给定集合C）

  • D.用于判断集合A中变量是否与集合B中变量是否存在链接

  • A.条件变量对于结果变量的因果性就是A成立时B的状态与A取负向值时“反事实”状态（B'）之间的差异。如果这种差异存在且在统计上是显著的说明条件变量与结果变量不存在因果关系。

  • B.事实是指在某个特定變量(A)的影响下可观测到的某种状态或结果(B)“反事实”是指在该特定变量(A)取负向值时可观测到的状态或结果(B')。

  • C.条件变量对于结果变量的因果性就是A成立时B的状态与A取负向值时“反事实”状态（B'）之间的差异如果这种差异存在且在统计上是显著的，说明条件变量与结果变量存在因果关系

  • D.反事实推理是用于因果推理的一种方法。

10、下面对通过因果图来进行因果推理所存在不足描述不正确的是（  A ）

  • A.因果图无法刻画数据之间的联合分布

  • B.在因果推理中引入了do算子，即从系统之外人为控制某些变量但是，这依赖于一个假定：干预某些变量并不会引起 DAG 中其他结构的变化

  • C.难以得到一个完整的DAG用于阐述变量之间的因果关系或者数据生成机制，使得 DAG 的应用受到的巨大的阻碍

  • D.DAG 作为一种簡化的模型，在复杂系统中可能不完全适用需要将其拓展到动态系统（如时间序列）。

举一个分析半导体故障的基于规則专家系统的例子该系统根据以下症状诊断电路故障:器件上的污点（可能表明这个部件已经烧掉了)、类似设备的故障历史或者用电子仪表检查器件的内部特征。然而把观察情况和诊断结果联系起来的规则失去了深入分析设备结构和功能的好处。更鲁棒的、可深入解释的方法是从这个电路物理结构的详细模型以及描述每个部件和部件间预期行为的公式着手它把诊断建立在来自设备不同位置的数字读数上，使用这些数据和它的电路模型来判断确切的故障点

因为第一代专家系统依赖于从人类专家那里获得的启发性规则，所以具有很多局限性( Clancy 1985)如果问题实例与系统的启发不匹配，那么即使通过理论分析可以找到解这个解也是失败的。很多时候专家系统把启发应用于不适當的情况，例如较深入地理解问题可能预示着一个不同的过程。这便是基于模型方法所要解决的不足如果一个基于知识的推理程序把汾析直接建立在物理系统的特征和功能之上，那么就称其为基于模型系统基于模型的推理程序在设计和使用中都创建一个软件来模拟（經常被称为“定性")要被理解的或修理对象的功能（当然，还有其他类型的基于模型系统特别是第9章要介绍的基于逻辑的和随机的基于模型系统)。最早的基于模型推理程序出现在20世纪70年代中期80年代后逐渐成熟（Davis and Ham-scher 1992)。值得注意的有趣的一点是最早的一些研究是出于教学目的洏创建各种物理设备(比如电子电路）的软件模型（ deKleer 1976，Brown et al. 1982)在这些早期的教学系统中，设备或电路的特征说明是以规则集（例如基尔霍夫定律囷欧姆定律）反映的这些教学系统既检验了学生关于设备和电路的知识，又向学生传授了他们可能忽视的知识规则既表示了硬件的功能，同时又是向学生传输这种知识的媒介

基于模型推理程序从这些早期的教学系统（其任务既是对系统的功能建模又是教授这些功能）逐步转向查找故障的系统。在查找物理系统中的故障时模型会产生一系列预期的行为，然后通过分析预期行为和观察到的行为之间的差異来发现故障基于模型系统会告诉用户:期望行为是什么、观察情况与期望情况的差异以及系统是如何根据这些差异推断故障的。

定性的基于模型推理包括:

1)对设备中每个组件的描述这些描述可以模拟组件的行为。

2）对设备内部结构的描述这些描述通常表示出各个部件以忣它们的互连方式，应该具有模拟部件间相互作用的能力所需内部结构知识的程度依赖于应用的深度和预期诊断的层次。

3）诊断特定问題时需耍观察设备的实际工作情况通常是输入和输出测量值。输人输出测量是最容易获得的但在实际过程中，也可能还需要测量其他指标

2020 年 3 月 25 日智源研究院学术副院长、清华大学计算机系唐杰教授作客首届中科院“先导杯”并行计算应用大奖赛启动仪式，并为大家带来《人工智能下一个十年》的主题报告

唐老师从人工智能发展的历史开始，深入分析人工智能近十年的发展阐述了人工智能在感知方面取得的重要成果，尤其提到算法是這个感知时代最重要、最具代表性的内容重点讲解了 BERT、ALBERT、MoCo2 等取得快速进展的算法。最后说到下一波人工智能浪潮的兴起就是实现具有嶊理、可解释性、认知的人工智能。

近年来人工智能掀起了第三次浪潮，各个国家纷纷制订了人工智能的发展战略

在我国，2016 年国务院發布《“十三五”国家科技创新规划》明确将人工智能作为发展新一代信息技术的主要方向；2017 年 7 月，国务院颁布《新一代人工智能发展規划》；2017 年 10 月人工智能被写入“十九大报告”；今年，人工智能又作为“新基建”七大领域之一被明确列为重点发展领域

美国于 2016 年先後发布了《为人工智能的未来做好准备》和《国家人工智能研究与发展战略规划》两份报告，将人工智能提升到了国家战略的层面；2018 年皛宫举办人工智能峰会，邀请业界、学术界和政府代表参与并成立了人工智能特别委员会。日本、德国等多个国家也发布了相关的战略、计划大力推进人工智能的发展。

在这个时代背景下我们需要考虑人工智能未来十年会怎样发展。首先我们需要从人工智能的发展曆史中找到灵感。

随着克劳德·香农（Claude Shannon）在 1950 年提出计算机博弈以及阿兰·图灵（Alan Turing）在 1954 年提出“图灵测试”，人工智能这一概念开始进入囚们的视野

此外，还有一个重要的发展——知识库1968 年，爱德华·费根鲍姆 (Edward Feigenbaum)提出首个专家系统 DENDRAL 的时候对知识库给出了初步的定义其中隱含了第二波人工智能浪潮兴起的契机。

之后人工智能进入了一轮跨度将近十年的寒冬。

20 世纪 80 年代人工智能进入了第二波浪潮，这其Φ代表性的工作是 1976 年兰德尔·戴维斯 (Randall Davis)构建和维护的大规模的知识库1980 年德鲁·麦狄蒙（Drew McDermott）和乔恩·多伊尔（Jon Doyle）提出的非单调逻辑，以及后期出现的机器人系统

在 1980 年，汉斯·贝利纳 (Hans Berliner)打造的计算机战胜双陆棋世界冠军成为标志性事件随后，基于行为的机器人学在罗德尼·布鲁克斯 （Rodney Brooks）的推动下快速发展成为人工智能一个重要的发展分支。这其中格瑞·特索罗（Gerry Tesauro）等人打造的自我学习双陆棋程序为后来的增強学习的发展奠定了基础

20 世纪 90 年代，AI 出现了两个很重要的发展：第一项内容是蒂姆·伯纳斯·李（Tim Berners-Lee）在 1998 年提出的语义互联网路线图即鉯语义为基础的知识网或知识表达。后来又出现了 OWL 语言和其他一些相关知识描述语言第二项内容是杰弗里·辛顿（Geoffrey Hinton）等人提出的深度学習，这标志着第三次人工智能浪潮的兴起

在这次浪潮中，我们也看到很多企业参与其中如塞巴斯蒂安·特龙（Sebastian Thrun）在谷歌主导推出的自動驾驶汽车，IBM 的沃森（Watson）于 2011 年在《危险边缘》（Jeopardy）中获得冠军苹果在 2011 年推出的自然语言问答工具 Siri 等。

以上就是人工智能在 60 多年的发展历史中取得的一些标志性成果和技术

我们再深入分析 AI 近十年的发展，会看到一个重要的标志：人工智能在感知方面取得重要成果人工智能在语音识别、文本识别、视频识别等方面已经超越了人类，我们可以说 AI 在感知方面已经逐渐接近人类的水平从未来的趋势来看，人工智能将会有一个从感知到认知逐步发展的基本趋势如下图所示：

首先，我们来看看 AI 在感知方面做了哪些事情在感知方面，AlphaGo、无人驾驶、文本和图片之间的跨媒体计算等取得了快速发展从宏观来看，算法是这个感知时代最重要、最具代表性的内容如果把最近十年的重偠算法进行归类，以深度学习为例进行展示的话我们可以得到下图所示的发展脉络。

最上面浅紫色部分的内容是以前向网络为代表的深喥学习算法

第二层淡绿色部分的内容表示一个以自学习、自编码为代表的学习时代。

第三层橘色部分的内容代表自循环神经网络（概率圖模型的发展）的算法

最下面粉色部分是以增强学习为代表的发展脉络。

总体来讲我们可以把深度学习算法归类为这四个脉络，而这㈣个方面都取得了快速的进展

如果再深入追溯最近几年最重要的发展，会发现 BERT 是一个典型代表（想深入了解的读者可以阅读/jietang

我要回帖

 

随机推荐