36、数据推理与概率空间推理：人工智能的新挑战

数据推理与概率空间推理：人工智能的新挑战

数据推理的意义与问题类型

数据推理涵盖了广泛的场景，旨在从一组（可能动态的）数据中进行推理，而不是像演绎、溯因、基于案例或类比推理那样，针对特定情况下的特定属性得出结论。其核心在于以某种方式理解整个数据集。数据推理主要涉及以下几类问题：
- 信息解读问题 ：当接收到大量信息时，需要判断当前发生的情况，这与时间场景的识别密切相关，同时可能需要确定因果关系。在这类问题中，需要检查数据是否符合描述异常或正常情况的知识。
- 数据结构化问题 ：以形式概念分析为例，从数据表格开始，形式上下文 (R) 表示给定对象的布尔属性是否为真。形式概念是一个最大对 ((X, Y))，其中 (X) 是对象集，(Y) 是属性集，满足 (X × Y ⊆R)。形式上下文与形式概念的格相关联，可从中提取关联规则，这是数据挖掘的理论基础。此外，可能性理论的运算符已被引入形式概念分析，可用于考虑其他形式的推理，如基于案例的推理。形式概念分析还可与其他理论框架（如粗糙集或扩展模糊集）相关联，在粒度计算的一般设置中，聚类的思想隐含其中。与之密切相关的是数据总结，它利用了相似性和聚类的思想。
- 分类与估计方法的解读问题 ：分类或估计方法通常是黑盒设备，可从数据中学习得到。将这些黑盒内容以可理解的方式揭示出来具有重要意义，例如对神经网络进行非单调推理视图或基于模糊规则的解释，以及对 Sugeno 积分进行加权逻辑视图以揭示全局估计背后的规则。

数据推理的关键要点

数据推理的相关研究强调了两个重要点：
- 数