《中国人工智能学会通讯》——12.57 不确定性的定义

12.57 不确定性的定义

表 1 是对于几种从数学角度进行阐释的不确定性的简介。
下面讨论一种典型的不确定性——模糊集的模糊性。模糊性被用来描述两个语义之间的不明确性程度,比如热和冷。模糊性最早是由 Zadeh 在1968 年提出的,他也是模糊集理论[8]的提出者。Zadeh 模糊集理论的基本思想是,隶属度的函数值从原来的只为 0 或 1 扩展到了区间 [0,1]。由于主观上有对于语义理解的不确定性,所以隶属度的函数值范围被扩展了。在模糊集理论的基础上,Luca 和Termini 在 1972 年提出模糊性是一种由模糊集描述的不确定性,而且他们用类似于香农信息熵的非概率熵定义了模糊性的度量标准[9] 。他们还提出模糊性应该满足三条性质,由这些性质可以得出,如果所有元素关于某个集合的隶属度都相等,则该集合的模糊度达到最大值;如果所有元素关于某个集合的隶属度为 0 或 1,则该集合的模糊度达到最小值。此外,Luca 和 Termini 将熵的定义扩展到了模糊集领域[10] 。这一扩展得到的定义不仅可以是一个数量值,也可以是一个列矩阵或向量。

时间: 2024-08-01 07:48:04

《中国人工智能学会通讯》——12.57 不确定性的定义的相关文章

《中国人工智能学会通讯》——9.16 形式化定义

9.16 形式化定义 在定义LDL之前,首先对使用的符号进行说明.令 x 表示示例, x i 表示第 i 个示例:y 表示标记,y i 表示第 i 个标记: 表示标记 y 对示例 x 的描述度,表示示例x i 对应的标记分布(c表示标记的个数). 根 据 前 面 分 析 可 知, 标 记 分 布 与 概 率 分布具有相同的约束,因此,许多在统计学上的理 论 和 方 法 都 可 以 应 用 于 标 记 分 布. 首 先,可 以 用 条 件 概 率 表 示 , 即 . 则LDL 的 定 义 如 下:

《中国人工智能学会通讯》——11.31 问题定义

11.31 问题定义 迁移学习中,领域 D 定义为由特征空间 X和 边 缘 概 率 分 布 P(x) 组 成, 即 D ={X,P(x)},x∈X:给定领域 D,任务 T 定义为由类别空间Y 和分类器 f(x) 组成,即 T ={Y, f(x)},y∈Y,f(x)=P(y|x) 可以解释为条件概率分布. 定义 1 (迁移学习) [3] :给定有标记的源领域和学习任务T s ,无标记的目标领域 和学习任务T t ,迁移学习在 D s ≠ D t 或 T s ≠ T t 条件下最小化目标分类器 f

中国人工智能学会通讯——机器学习里的贝叶斯基本理论、模型和算法

非常感 谢周老师给这个机会让我跟大家分享一下.我今天想和大家分享的是,在深度学习或者大数据环境下我们怎么去看待相对来说比较传统的一类方法--贝叶斯方法.它是在机器学习和人工智能里比较经典的方法. 类似的报告我之前在CCF ADL讲过,包括去年暑假周老师做学术主任在广州有过一次报告,大家如果想看相关的工作,我们写了一篇文章,正好我今天讲的大部分思想在这个文章里面有一个更系统的讲述,大家可以下去找这篇文章读. 这次分享主要包括三个部分: 第一部分:基本理论.模型和算法 贝叶斯方法基础 正则化贝叶斯推

中国人工智能学会通讯——无智能,不驾驶——面向未来的智能驾驶时代 ( 下 )

到目前为止似乎比较完美,而实际还 存在着一些问题.我们现在看到很多道 路上面,交通标志牌它的分布非常稀疏, 可能每过一两公里才能够检测出来一个 交通标志牌,因为毕竟这个深度学习算 法是目前最完美的,它有时候还会错过 一个交通标志牌,这时候怎么办呢?我 们会发现在路面上也有非常明显的视觉 特征,我只要把路面的这些视觉特征识 别出来进行匹配,其实是有连续的绝对 的视觉参考的.所以我们做的办法是, 把这个路面粘贴起来.这个粘贴的方法 很简单,跟我们手机拍场景图片一样, 我们慢慢移动的时候可以把这个场景

中国人工智能学会通讯——智创未来 未来已来

2016 年带着我们难忘的记忆,就这样翻篇了.由我们学会发起.全国多个组织积极参与的.纪念全球人工智能 60 年的一个个系列活动历历在目,在我们身边发生的种种无人驾驶的比赛和试验活动还在让我们激动不已,AlphaGo 战胜人类围棋冠军李世石的震荡被 Master 的新战绩推向又一个新高潮,时间就这样把我们带入了新的一年--2017 年. 对 2017 年的人工智能,我们会有什么期待呢? 深度学习会火 无人驾驶会火 机器人产业会火 机器同传会火 人机博弈会火 交互认知会火 不确定性人工智能会火 智

中国人工智能学会通讯——2016机器智能前沿论坛召开

2016 年 12 月 17 日,由中国人工智能学会.中国工程院战略咨询中心主办,今日头条.IEEE<计算科学评论>协办的"2016机器智能前沿论坛"暨"2016 BYTE CUP国际机器学习竞赛颁奖仪式"在中国工程院举办.论坛嘉宾包括中外顶尖的数据挖掘.机器学习,以及自然语言处理方向的专家学者. 与以往不同,本次论坛除介绍机器学习的重大进展和应用外,还着重讨论了机器学习技术在媒体数据上的应用,并为2016 BYTE CUP 国际机器学习竞赛的获奖选手进

中国人工智能学会通讯——Master虽优势较多 但仍有缺陷

近日,Master 在各大围棋网站横扫顶尖职业棋手,随后,谷歌 DeepMind 创始人德米什 • 哈萨比斯在 Twitter 上发布消息,证实了 Master 是 AlphaGo 的升级版.众所周知,围棋困难的地方在于它的估值函数非常不平滑,差一个子盘面就可能天翻地覆:同时状态空间大,也没有全局的结构.这两点加起来,迫使目前计算机只能用穷举法,并且因此进展缓慢.但人能下得好,能在几百个选择中知道哪几个位置值得考虑,说明它的估值函数是有规律的.这些规律远远不是几条简单公式所能概括,但所需的信息量

中国人工智能学会通讯——混合智能概念与新进展

脑科学以阐明脑的工作原理为目标,近年来已成为最重要的科学前沿领域之一.脑功能计算.脑智能模仿再度成为学术界和产业界热议话题[1-4].欧盟.美国.日本相继启动了大型脑研究计划,强有力推动了人们对脑结构.脑功能和脑智能的探索和认识:另一方面,人工智能研究风起云涌,最近一个标志性事件是谷歌的AlphaGo以4:1战胜围棋世界冠军李世石[5],实现了围棋人工智能领域史无前例的突破.2016年9月斯坦福大学发布了<2030年的人工智能与生活>报告[6],全面评估了当前人工智能的进展.挑战.机遇与展望.

中国人工智能学会通讯——深蓝、沃森与AlphaGo

在 2016 年 3 月 份,正当李 世石与AlphaGo 进行人机大战的时候,我曾经写过 一 篇< 人 工 智 能 的 里 程 碑: 从 深 蓝 到AlphaGo>,自从 1997 年深蓝战胜卡斯帕罗夫之后,随着计算机硬件水平的提高,计算机象棋(包括国际象棋和中国象棋)水平有了很大的提高,达到了可以战胜人类最高棋手的水平.但是,长期以来,在计算机围棋上进展却十分缓慢,在 2006 年引入了蒙特卡洛树搜索方法之后,也只能达到业余 5 段的水平.所以 AlphaGo 战胜韩国棋手李世石,确实是人