35、数据推理：人工智能的新挑战？

数据推理：人工智能的新挑战？

1. 正负信息的推理

在推理过程中，正负信息的处理是一个重要问题。正可能性知识库 $D = {[\phi_j, d_j]|j = 1, k}$ 和负可能性知识库 $K = {(\phi_i, a_i)|i = 1, m}$ 可能存在不一致的情况。当违反模糊集包含关系 $\forall\omega, \delta_D(\omega) \leq \pi_K(\omega)$ 时，就会出现不一致。

这里，$\delta_{[\phi_j,d_j]}(\omega) = 0$ 如果 $\omega \models \neg\phi_j$，并且 $\delta_{[\phi_j,d_j]}(\omega) = d_j$ 如果 $\omega \models \phi_j$，$\delta_D$ 是 $D$ 中每个公式表示的基于最大值的析取组合。而 $\pi_K(\omega) = \min_{i=1,\cdots,m} \max(\mu_{||\psi_i||}(\omega), 1 - c_i)$，其中 $\mu_{||\psi_i||}$ 是 $\psi_i$ 的模型集的特征函数。

当出现不一致时，需要进行修正，要么质疑 $K$ 所代表的通用知识，要么质疑 $D$ 所代表的报告内容。例如，在二手汽车的例子中，可能存在关于某一品牌和里程数的汽车价格范围的规则（通用知识），同时也有近期类似汽车的销售实例（报告内容）。

正负信息推理的流程如下：
1. 定义正可能性知识库 $D$ 和负可能性知识库 $K$。
2. 计算 $\delta_D(\omega)$ 和 $\pi_K(\omega)$。
3. 检查是否满足