m6z1zo
Modelele de reprezentare a cunostintelor prezentate pina acum se refera la cunostinte sigure, complete si consistente. In activitatea lor, oamenii sint insa capabili sa rezolve probleme si pe baza cunostintelor incerte sau contradictorii. Din acest motiv, cercetatorii in inteligenta artificiala au propus metode de reprezentare a ignorantei in sistemele bazate pe cunostinte. Aceste metode se pot imparti in doua mari categorii:
* Reprezentarea cunostintelor este extinsa prin asocierea unei masuri numerice a certitudinii (incertitudinii) diverselor entitati din baza de cunostinte. Sistemul trebuie sa fie capabil sa rationeze cu aceasta reprezentare, tipul de rationament efectuat numindu-se rationament incert sau rationament statistic.
* Axiomele si/sau regulile de inferenta din sistemul bazat pe cunostinte sint extinse astfel incit sa permita rationamentul bazat pe cunostinte incomplete si contradictorii. Acest tip de rationament se numeste rationament nemonoton si este o generalizare a rationamentului monoton din logica cu predicate de ordinul I.
Rationamentul statistic este subiectul acestui capitol. Reprezentarea cunostintelor incerte are asociate metode de inferenta specifice care modeleaza un rationament ce propaga incertitudinea de la date si ipoteze la concluzii. Aceste metode de reprezentare a cunostintelor pot fi folosite in rezolvarea problemelor ce implica date nesigure, vagi, incomplete sau chiar inconsistente. O astfel de categorie de probleme este, de exemplu, domeniul diagnosticarii medicale. Pentru o perspectiva ampla asupra rationamentului incert se poate consulta Kruse s.a.a1991i. O prezentare a rationamentului nemonoton poate fi gasita in Patterson a1990i si in Rich si Knight a1991i.
5.1 Modelul probabilistic Bayesian
Metoda Bayesiana de calcul probabilistic a fost introdusa de preotul Thomas Bayes in secolul al XVIII-lea. Aceasta forma de rationament se bazeaza pe utilizarea probabilitatilor conditionate ale unor evenimente specifice in prezenta producerii unor alte evenimente. In teoria probabilitatilor, notiunea de eveniment este o notiune primara; evenimentele se considera numai din punctul de vedere al producerii sau al neproducerii lor in decursul unui experiment. Evenimentul contrar unui eveniment A, notat cu IA, este evenimentul care se produce atunci si numai atunci cind nu se produce evenimentul A.

Definitie. Probabilitatea unui eveniment incert A este masura gradului de plauzibilitate al producerii acelui eveniment. Multimea tuturor evenimentelor posibile se numeste cimp de evenimente sau spatiu de esantioane, notat in continuare cu S.
Definitie. O masura a probabilitatii unui eveniment A este o functie care pune in corespondenta orice eveniment din S cu numere reale si care satisface urmatoarele axiome ale teoriei probabilitatii:
(1) pentru orice eveniment
(2)
(3) Daca , pentru , i.e. sint evenimente mutual exclusive, atunci
Definitie. Pentru doua evenimente h si e, cu probabilitatea , probabilitatea conditionata a evenimentului h in conditiile producerii evenimentului e, este definita prin urmatoarea formula
(1)
Probabilitatea conditionata de producere a evenimentului e in conditiile producerii evenimentului h se defineste simetric prin formula
(2)
Din ecuatiile (1) si (2) rezulta una dintre regulile modelului Bayesian, si anume
(3)
Considerind doua evenimente A si IA care sint mutual exclusive, i.e. , si exhaustive, i.e. , probabilitatea de aparitie a unui eveniment B se poate exprima astfel:
(4)
Utilizind aceasta formula, ecuatia (3) poate fi rescrisa obtinindu-se urmatoarea formula pentru probabilitatea conditionata de aparitie a evenimentului h in conditiile producerii evenimentului e.
(5)
Ecuatia (5) poate fi generalizata pentru un numar arbitrar de evenimente , independente si mutual exclusive, in conditiile producerii evenimentului e, astfel:
(6) si deci
(7)
Evenimentele hi pot fi vazute ca ipoteze probabile, numite si ipoteze statistice, in conditiile existentei probei e. Probabilitatile condititionate ale ipotezelor hi in conditiile existentei probei e pot fi utilizate in modelarea rationamentului incert pentru a selecta ipoteza cea mai probabila in conditiile unei probe observate. In cazul in care exista surse multiple de probe, deci , formula (7) se defineste ca mai jos, obtinindu-se teorema lui Bayes:
(8)
Considerind exemplul diagnosticarii medicale, selectarea unei ipoteze hi dintr-o multime de ipoteze pe baza unei multimi de probe observate poate fi vazuta ca selectarea unui diagnostic hi pe baza probelor clinice . In aceasta interpretare, evenimentele si probabilitatile lor conditionate au urmatoarea semnificatie:
* este multimea probelor clinice considerate
* hi este al i-lea diagnostic considerat ( )
* este probabilitatea ca pacientului sa i potriveasca diagnosticul hi
* este probabilitatea ca pacientul sa aiba diagnosticul hi pe baza probelor clinice e
* este probabilitatea ca sa existe toate probele clinice e daca diagnosticul hi este adevarat, deci probabilitatea ca pacientul sa aiba totalitatea simptomelor e (simptomatologie completa) daca i se pune diagnosticul hi.
Teorema lui Bayes data de formula (8) ofera o modalitate de calcul al diagnosticului probabil al unui pacient in conditiile cunoasterii probelor clinice e. In cazul in care exista mai multe ipoteze plauzibile si mai multe surse de probe, formula (8) poate duce la calcule extrem de complicate. Daca se presupune ca sint probe independente, calculul probabilitatii se poate face ca mai jos, ducind la o simplificare a formulei (8).
(9)
In general, in multe probleme reale probele sint accumulate pe rind. De exemplu, in diagnosticarea medicala este posibil ca probele clinice sa apara la diverse momente de timp. Din aceasta cauza sistemele care folosesc modelul Bayesian utilizeaza o varianta modificata de calcul al probabilitatii care reflecta obtinerea incrementala de probe. Daca sint probele deja observate, s1 este o noua proba si atunci probabilitatea ipotezei hi in conditiile existentei probelor e se poate calcula pe baza probabilitatii aceleasi ipoteze (presupus a fi deja calculata) in conditiile existentei probelor e1, prin cumularea efectului lui s1, astfel: si (10)
Modelul probabilistic Bayesian a fost aplicat in diverse domenii cum ar fi diagnosticarea medicala si cercetarile geologice. Sistemul PROSPECTOR aDuda,s.a.,1979i, sistem expert in domeniul geologiei, este unul din marile succese ale sistemelor bazate pe cunostinte aplicate. Sistemul utilizeaza modelul Bayesian si a fost folosit cu succes in localizarea unor zacaminte de minerale, cum ar fi cupru si uraniu. Ideea de baza a abordarii probabilistice in sistemul PROSPECTOR este urmatoarea. Se doreste examinarea probelor geologice ale unui anumit loc pentru a determina daca in acest loc este posibil sa se gaseasca mineralul dorit. Daca se cunosc probabilitatile a priori de gasire a diverselor minerale si probabilitatile de gasire a unui mineral in functie de anumite caracteristici fizice, atunci teorema lui Bayes poate calcula probabilitatea de descoperire a unui zacamint intr-un anumit loc, pe baza probelor geologice accumulate.
Modelul probabilistic Bayesian are o serie de dezavantaje, atit din punct de vedere al eficientei de calcul cit si din punct de vedere al puterii de expresivitate a reprezentarii cunostintelor incerte. Dezavantajele si limitarile semnificative ale abordarii bayesiene sint:
* Programele care folosesc un astfel de model necesita o cantitate mare de date statistice care sint greu de adunat si calculat. Complexitatea timp este exponentiala in raport cu numarul de probe si ipoteze. Modelul presupune independenta ipotezelor, pentru ca formula sa fie practic aplicabila pe cazuri reale ce contin foarte multe date. De multe ori, independenta ipotezelor este greu sau imposibil de realizat.
* Probabilitatile sint descrise printr-o valoare numerica unica. Acest lucru poate fi o simplificare a modelului de gindire umana. De cele mai multe ori, expertii au dificultati in a estima cu precizie probabilitatea unei ipoteze printr-o singura valoare, avind tendinta de a specifica un interval de probabilitate.
* Modelul Bayesian nu poate discerne intre ignoranta si incertitudine. De exemplu, fie trei organizatii teroriste A, B si C care sint suspecte de un atac asupra unei institutii publice. Exista anumite probe care sustin ipoteza vinovatiei organizatiei C cu probabilitatea 0.8. Cu toate acestea, fara alte probe asupra vinovatiei organizatiilor A si B, nu se poate spune ca A si B sint vinovate, fiecare cu probabilitatea 0.1.
* Modelul Bayesian considera increderea intr-o ipoteza si neincrederea in negarea ei ca doua functii opuse, i.e.

Abordarea conform careia probele in favoarea unei ipoteze trebuie considerate probe in favoarea negarii acelei ipoteze este in multe cazuri falsa.
In plus, interpretarea probabilitatii unei ipoteze in conditiile existentei unei probe ca o forma de confirmare a ipotezei pe baza acestei probe poate duce la rezultate surprinzatoare. In acest sens se poate cita paradoxul lui Carl Hempel care consta in urmatorul exemplu. Fie:
(a) - confirmarea ipotezei h pe baza probei e
(b) h1 = ipoteza "Toti corbii sint negrii"
(c) h2 = ipoteza "Orice obiect care nu este negru nu este corb"
(d) e = proba "Vaza este verde"
Evident, h1 este logic echivalent cu h2. Daca s-ar face o analogie a confirmarii unei ipoteze pe baza unei probe cu probabilitatile conditionate s-ar putea stabili egalitatea , pentru orice proba e. Cu toate acestea, este total neintuitiv sa se spuna ca observarea probei e, "Vaza este verde", confirma ipoteza h1, "Toti corbii sint negrii". In anumite domenii, cum ar fi medicina, in care semnificatia certitudinii unei ipoteze pe baza probelor este mai mult o confirmare a ipotezei decit o probabilitate de aparitie, este necesar sa se introduca o diferenta intre increderea si neincrederea intr-o ipoteza. Modelele prezentate in continuare incearca sa elimine limitarile modelului probabilistic Bayesian.
5.2 Modelul factorilor de certitudine din sistemul MYCIN
Modelul factorilor de certitudine reprezinta o abordare practica si eficienta a rationamentului incert. El a fost dezvoltat in sistemul expert bazat pe reguli de productie MYCIN aBuchanan, Shortliffe,1984i, sistem de diagnosticare si recomandare a terapiei in infectiile bacteriene ale singelui. Factorii de certitudine asociati cunostintelor (reguli si fapte) sint considerati o abordare euristica a reprezentarii cunostintelor incerte deoarece nu se bazeaza pe o teorie perfect riguroasa. In schimb, ei elimina o parte din limitarile modelului Bayesian cum ar fi complexitatea calculului probabilitatilor, nediscernerea intre incertitudine si ignoranta, si inconsistentele determinate de interpretarea probabilitatilor drept confirmari ale ipotezelor.
5.2.1 Masurile incertitudinii
In sistemul MYCIN se folosesc doua functii probabilistice pentru a modela increderea si neincrederea intr-o ipoteza: functia de masura a increderii, notata MB, si functia de masura a neincrederii, notata MD. Fiind data ipoteza h si proba e, interpretarea acestor functii este:
* reprezinta masura cresterii increderii in ipoteza h pe baza probei e,
* reprezinta masura cresterii neincrederii in ipoteza h pe baza probei e.
Proba e poate fi o proba observata dar si o alta ipoteza care a fost sau trebuie confirmata. Astfel, se poate scrie pentru a indica masura cresterii increderii in ipoteza h1 in conditiile in care ipoteza h2 este adevarata. Pentru a ilustra semnificatia acestor functii in contextul sistemului MYCIN, se considera e = "organismul este coc gram-pozitiv care creste in lanturi" si h = "organismul este streptococ". Daca expertul indica , acest lucru semnifica faptul ca numarul 0.7 reflecta cresterea increderii expertului in adevarul ipotezei h stiind ca proba e este adevarata.
Facind legatura cu teoria probabilitatilor, functiile de incredere si neincredere pot fi definite dupa cum urmeaza. Fie: e - o data observata, o proba sau ipoteza (inferata),
- probabilitatea a priori ca ipoteza h sa fie adevarata,
- probabilitatea ca ipoteza h sa fie adevarata pe baza probei e,
- estimarea neincrederii in adevarul ipotezei h.
Daca atunci observarea probei e creste increderea in ipoteza h, iar daca , atunci observarea probei e scade increderea in ipoteza h si creste neincrederea in adevarul lui h. Aceste conditii pot fi exprimate sub urmatoarea forma:
(11)
(12)
Formulele (11) si (12) reprezinta masura cresterii increderii, respectiv a neincrederii, in ipoteza h pe baza probei e, deci si . In acest context, functiile MB si MD se definesc in functie de probabilitatile conditionate si probabilitatile a priori, astfel:
(13)
(14)
Observatie. In formulele de mai sus se foloseste in loc de 1 si in loc de 0 pentru a pune in evidenta simetria relatiilor. Formulele (13) si (14) sint, evident, echivalente cu formulele (11) si (12).
Se introduce si o a treia masura a incertitudinii, numita factorul (coeficientul) de certitudine, notat CF si definit astfel
(15)
Factorul de certitudine este o modalitate de a combina gradele de incredere si neincredere intr-o singura masura. Un astfel de numar este util pentru a putea compara puterea de semnificatie a diverselor ipoteze competitive. Urmatoarele caracteristici ale celor trei masuri de certitudine ajuta la clarificarea semnificatiei lor.
(a) Domeniul de valori



(b) Ipoteze mutual exclusive
Daca se stie ca h este o ipoteza sigura, i.e. , atunci



Daca se stie ca negatia lui h este sigura, i.e. , atunci



(c) Lipsa probelor daca h nu este confirmat de e, i.e. e si h sint independente sau e infirma h. daca h nu este infirmat de e, i.e. e si h sint independente sau e confirma h. daca e nici nu confirma nici nu infirma h, i.e. e si h sint independente.
In sistemul MYCIN, functiile de masura a increderii si a neincrederii sint asociate faptelor, reprezentate sub forma de triplete atribut-obiect-valoare, iar factorii de certitudine sint asociati regulilor. Factorul de certitudine asociat unei reguli reprezinta increderea in concluzia acelei reguli presupunind premisa cunoscuta cu certitudine, i.e. si pentru premisa.
Exemplu. O regula in sistemul MYCIN, exprimata intr-un limbaj asemanator celui din MYCIN, este daca (1) tipul organismului este gram-pozitiv, si
(2) morfologia organismului este coc, si
(3) conformatia cresterii organismului este lant atunci exista o incredere puternica (0.7) ca identitatea organismului este streptococ.
Exemple de fapte in sistemul MYCIN sint urmatoarele:
(identitate organism-1 pseudomonas 0.8)
(identitate organism-2 e.coli 0.15)
(loc cultura-2 git 1.0)
5.2.2 Functii de combinare a incertitudinii
Odata asociate masuri ale incertitudinii cunostintelor din sistem, realizarea rationamentului incert pentru rezolvarea problemei necesita stabilirea unor inferente incerte, deci modalitati de combinare a increderii, respectiv neincrederii. In sistemul MYCIN s-au definit o serie de functii pentru combinarea celor doua functii de baza, MB si MD, functii de combinare care servesc la calculul increderii si neincrederii in diversele ipoteze pe parcursul stabilirii diagnosticului. Aceste functii sint prezentate in continuare.
(1) Probe adunate incremental.
Aceeasi valoare de atribut, h, este obtinuta pe doua cai de deductie distincte, cu doua perechi diferite de valori pentru functiile MB si MD: si , respectiv si . Cele doua cai de deductie distincte, corespunzatoare probelor sau ipotezelor s1 si s2 pot fi ramuri diferite ale arborelui de cautare generat prin aplicarea regulilor sau probe indicate explicit sistemului de medic. Masurile increderii si neincrederii rezultate prin cumularea acestor valori, pentru valoarea de atribut h, sint:
(16)
(17)
Pe baza valorilor MB si MD se poate calcula factorul de certitudine asociat unei ipoteze. Se observa ca daca mai multe probe sustin o aceeasi ipoteza, valoarea absoluta a factorului de certitudine va creste. Daca probele sustin ipoteze diferite, valoarea absoluta a factorului de certitudine asociat unei ipoteze va scade.
Exemplu. Se presupune ca pe baza observatiilor initiale, fie acestea s1, s-a obtinut o confirmare a increderii in ipoteza h cu . Atunci si . Se face apoi o a doua observatie s2, care confirma deasemenea h, cu . In acest caz:



Se observa din acest exemplu cum probe accumulate incremental in favoarea unei ipoteze pot duce la cresterea factorului de certitudine al ipotezei.
(2) Conjunctie de ipoteze.
Aceasta functie se aplica pentru calculul masurilor increderii si a neincrederii asociate unei premise de regula care contine mai multe conditii. Se considera modul de calcul pentru cazul a doua conditii in premisa regulii, extinderea la mai multe ipoteze in premisa facindu-se foarte simplu. Fie regula daca conditie1 si conditie2 atunci concluzie unde conditie1 are asociati si , si conditie2 are asociati si .Valorile MB si MD asociate unei conditii din premisa regulii se obtin pe baza valorilor corespunzatoare tripletelor atribut-obiect-valoare cu care a identificat conditia. In acest caz masurile increderii si neincrederii asociate intregii premise, si , se calculeaza astfel:
(18)
(19)
(3) Combinarea increderii.
Aceasta functie se foloseste in cazul aplicarii uneia sau a mai multor reguli. Printr-o astfel de inlantuire o valoare incerta este dedusa pe baza unei reguli care are drept conditie de intrare alte valori incerte, deduse eventual prin aplicarea altor reguli. Functia permite calculul factorului de certitudine asociat valorii deduse pe baza aplicarii unei reguli care refera valoarea in concluzie, tinind cont de masura increderii si masura neincrederii asociate premisei regulii. Daca increderea intr-o ipoteza s este data de un coeficient de certitudine CF pe baza unor probe anterioare e si daca si sint masurile increderii, respectiv neincrederii in h in cazul in care s este sigura, atunci valorile increderii si neincrederii in h sint date de relatiile:
(20)
(21)
La nivelul unei reguli, interpretarea acestei functii este urmatoarea. Fie o regula de forma daca premisa atunci concluzie pentru care premisa are asociate valorile MB' si MD' (calculate eventual anterior prin aplicarea functiilor (2) si (1)) si reprezinta ipoteza s care s-a calculat pe baza probelor e. Concluzia regulii refera ipoteza h ca valoare a atributului din concluzie. Daca corelatia concluzie-premisa a regulii ar fi sigura, deci , atunci si . In cazul in care se aplica formulele definite mai sus.
In variantele mai noi ale sistemului expert MYCIN si in sistemul independent de domeniu EMYCIN aBennett,Engelmore,1984;vanMelle,s.a.,1984i provenit din MYCIN, pe baza observarilor statistice, s-a modificat formula de calcul al factorului de certitudine astfel:
(22)
Modelul de rationament incert utilizat de sistemul MYCIN s-a dovedit destul de util in rezolvarea problemelor practice ale diagnosticarii medicale (stabilirea tipului de infectie bacteriana pe baza simptomelor si probelor de laborator ale unui pacient) dar a fost deseori criticat pentru lipsa de rigurozitate a modelului matematic si pentru anumite neconcordante pe care le introduce.
Modelul coeficientilor de certitudine din MYCIN presupune ca ipotezele sustinute de probe sint independente. In continuare se considera un exemplu care arata ce se intimpla in cazul in care aceasta conditie este violata.
Fie urmatoarele fapte:
A: Aspersorul a functionat noaptea trecuta.
U: Iarba este uda dimineata.
P: Noaptea trecuta a plouat. si urmatoarele doua reguli care leaga intre ele aceste fapte:
R1: daca aspersorul a functionat noaptea trecuta atunci exista o incredere puternica (0.9) ca iarba este uda dimineata
R2: daca iarba este uda dimineata atunci exista o incredere puternica (0.8) ca noaptea trecuta a plouat
Fiecare dintre aceste reguli, luata in parte, descrie o corelatie corecta. Sa analizam insa ce se intimpla daca regulile sint considerate impreuna. Folosind modelul sistemului MYCIN se obtine: , deci aspersorul sugereaza iarba uda , deci iarba uda sugereaza ploaie
Cu alte cuvinte, sistemul considera ca noaptea trecuta a plouat deoarece aspersorul a fost in functiune. Acest lucru se obtine desi, daca aspersorul a functionat, el este cel care a udat iarba si nu exista nici o proba in favoarea ipotezei "noaptea trecuta a plouat". Desi unul din marile avantaje ale sistemului MYCIN si a sistemelor bazate pe reguli in general, este acela de a permite modularitatea si tratarea relatiilor premisa-concluzie independent unele de altele, acest exemplu pune in evidenta un pericol al avantajului modularitatii unor astfel de sisteme. Cele doua reguli nu sint la fel din punct de vedere conceptual. Prima regula descrie o relatie cauzala (cauza*efect), pe cind cea de a doua descrie o relatie cauzala inversa (efect*cauza). Desi se pot deduce manifestari ale unui simptom pornind de la cauzele lui si se poate deduce o cauza pe baza simptomelor ei asociate, este important ca probele sa fie deduse numai intr-un fel, sau numai in altul. Pentru a ocoli aceasta problema, multe dintre sistemele bazate pe reguli fie utilizeaza numai un singur fel de reguli, fie partitioneaza regulile in doua clase si nu permit inferenta intre cele doua clase. In Sectiunea 5.4 se discuta retelele Bayesiene care reprezinta o solutie sistematica a acestei probleme.
5.3 Teoria Dempster-Shafer
Limitarile modelului probabilistic Bayesian si a modelului factorilor de certitudine din MYCIN au condus la investigarea unor abordari alternative a rationamentului statistic. Una dintre acestea este teoria matematica a probelor propusa de Arthur Dempster in anii '60 si extinsa de studentul lui, Glenn Shafer in 1976 aGordon,Shortliffe,1984;Kruse,s.a.,1991i. Teoria Dempster-Shafer modeleaza reducerea unei multimi de ipoteze competitive pe baza accumularii de probe, proces care caracterizeaza rationamentul medical si rationamentul incert in general. Teoria se bazeaza pe ideea asocierii de probabilitati tuturor submultimilor de ipoteze din universul problemei si nu numai ipotezelor individuale. In acest fel se poate reprezenta adecvat modul de rationament al unui expert care foloseste probele initiale pentru a forma o multime de ipoteze. Ulterior, pe baza aparitiei a noi probe, expertul reduce treptat aceasta multime de ipoteze pina la una sau mai multe ipoteze preferentiale. De exemplu, in procesul stabilirii identitatii unui organism care a produs infectia, o proba care indica prezenta unui organism gram-negativ reduce multimea de ipoteze a tuturor organismelor de infectare posibile. Aceasta submultime redusa de ipoteze poate fi vazuta ca o noua ipoteza: organismul este unul din organismele gram-negative. O proba ca cea amintita mai sus nu aduce nici o informatie referitor la probabilitatea organismelor individuale din submultimea de organisme gram-negative. Modelul Bayesian ar atribui probabilitati egale tuturor organismelor din aceasta submultime dar, in acest fel, nu s-ar mai face distinctia intre incertitudine (lipsa cunostintelor) si probabilitatea egala a ipotezelor. Aceasta limitare este eliminata de teoria Dempster-Shafer prin asocierea de functii de incredere atit ipotezelor individuale cit si submultimilor de ipoteze, oferind astfel un model mai bun al procesului accumularii de probe si al rationamentului incert.
Mai multe probe accumulate pot reduce multimea initiala de ipoteze si pot modifica increderea in ipoteze prin combinarea functiilor de incredere conform regulilor stabilite de teoria Dempster-Shafer. La fel ca in modelul Bayesian si cel al coeficientilor de certitudine din MYCIN, regulile de combinare a increderii sint independente de ordinea de acumulare a probelor dar presupun ca ipotezele sustinute de probe sint mutual exclusive si exhaustive. De fapt, functiile de combinare a increderii din teoria Dempster-Shafer includ, drept cazuri particulare, functiile de combinare probabilistica din modelul Bayesian si modelul MYCIN.
O alta consecinta a functiilor de incredere din aceasta teorie este eliminarea restrictiei conform careia o probabilitate P asociata unei ipoteze implica asocierea probabilitatii 1-P negarii acestei ipoteze, i.e. . La fel ca si in modelul factorilor de certitudine din MYCIN, teoria Dempster-Shafer elimina aceasta restrictie. Increderile in fiecare din ipotezele multimii initiale nu trebuie sa aiba suma unitara deoarece se asociaza increderi si submultimilor de ipoteze.
O ipoteza are asociata, pe linga functia de incredere, si o plauzibilitate. Fiecare ipoteza este caracterizata de un interval de incredere, definit prin aIncredere,Plauzibilitatei. Increderea masoara taria cu care probele sustin o ipoteza (sau o multime de ipoteze) iar plauzibilitatea masoara cit de mult contribuie o proba in favoarea ipotezei contrare la aprecierea increderii in ipoteza. Astfel, daca se noteaza cu Bel(h) increderea intr-o ipoteza, plauzibilitatea ipotezei h este definita de . Intervalul aIncredere,Plauzibilitatei masoara nu numai increderea intr-o ipoteza sau intr-o multime de ipoteze, ci si cantitatea de informatie existenta.
Teoria Dempdster-Shafer a fost utilizata in multe sisteme, printre care si o rescriere a sistemului MYCIN prin inlocuirea factorilor de certitudine cu intervale de incredere. S-au pus in evidenta multe caracteristici comune ale celor doua modele, teoria Dempster-Shafer avind insa avantajul unei fundamentari matematice riguroase. In continuare, se va descrie in detaliu modelul de rationament statistic propus de aceasta teorie.
5.3.1 Un exemplu de rationament incert
Fie patru organizatii teroriste suspecte de organizarea unui atac terorist: doua organizatii irakiene, D1 si D2, si doua organizatii fasciste, S1 si S2, pentru care exista o multime de ipoteze de vinovatie. Se presupune ca nu exista alta organizatie suspecta in afara celor patru organizatii. Diagnosticul de vinovatie a uneia din cele patru organizatii va fi reprezentat chiar de numele organizatiilor, S1, S2, D1 sau D2. In teoria Dempster-Shafer multimea de ipoteze posibile se numeste cadru de selectare si se noteaza cu . Ipotezele din trebuie sa fie mutual exclusive si exhaustive. Pentru exemplul considerat cadrul de selectare este si ipotezele din multime satisfac conditiile enuntate anterior.
Se stie ca exista o proba care poate conduce la ipoteza de vinovatie a organizatiilor teroriste fasciste, corespunzatoare multimii din . O alta proba poate sa indice excluderea ipotezei de vinovatie a lui S1 intr-o anumita masura, ceea ce este echivalent cu o proba care confirma negarea ipotezei S1, i.e. IS1. Aceasta a doua proba corespunde ipotezei , adica submultimii din . Aceasta submultime poate fi considerata la rindul ei o ipoteza, deci o submultime a lui poate da nastere la o noua ipoteza.
Fie multimea partilor lui . Daca are n elemente atunci multimea are 2n elemente. Multimea vida apartine multimii , , si corespunde unei ipoteze despre care se stie ca este falsa, deoarece s-au presupus ipotezele exhaustive. O reprezentare grafica a multimii partilor lui este cea indicata in Figura 5.1.

Figura 5.1 Cadrul de selectare si submultimile de ipoteze in problema atacului terorist
Pentru un anumit domeniu, numai un subset al multimii este de interes in luarea deciziilor, deci graful submultimilor de ipoteze poate fi redus la o ierarhie de relatii care prezinta interes din punct de vedere al caracteristicilor domeniului problemei. In exemplul considerat, daca se stie ca probele existente pot indica fie numai organizatii fasciste, fie numai organizatii irakiene, graful din Figura 5.1 se reduce la ierarhia de relatii din Figura 5.2. In general, multimea de submultimi de ipoteze are mai putine elemente de interes daca se tine cont de caracteristicile problemei.

Figura 5.2 Multimile de ipoteze de interes in problema atacului terorist
5.3.2 Functii de incredere
Teoria Dempster-Shafer foloseste o valoare reala in intervalul a0,1i pentru a indica increderea intr-o ipoteza sau intr-o multime de ipoteze pe baza unei probe date, i.e. gradul in care proba sustine ipoteza. O proba impotriva ipotezei este prezentata ca o proba in favoarea negarii ipotezei. In acest fel modelul Dempster-Shafer evita calculul cu numere negative necesar, de exemplu, in modelul MYCIN.
Increderea intr-o ipoteza pe baza unor probe date este reprezentata printr-o functie numita atribuire probabilistica de baza. O atribuire probabilistica de baza este o generalizare a functiei de densitate de probabilitate clasica. Functia probabilistica in modelul Bayesian asociaza o valoare reala in intervalul a0,1i fiecarei multimi cu un singur element din astfel incit suma acestor valori sa fie 1, iar multimii vide i se asociaza valoarea 0. Spre deosebire de aceasta functie, atribuirea probabilistica de baza se defineste dupa cum urmeaza.
Definitie. Functia de atribuire probabilistica de baza in teoria Dempster-Shafer, notata cu m, se defineste astfel:
(1) pentru orice ,
(2) ,
(3)
Atribuirea probabilistica de baza m defineste o distributie de probabilitate pe multimea . Functia m(A) reprezinta masura increderii asociata submultimii de ipoteze si nu poate fi impartita intre elementele lui A, adica intre ipotezele din A. Daca exista o proba care sustine o submultime de ipoteze A si nici o proba pentru o alta submultime din , deci daca si pentru orice cu , atunci . Astfel valoarea se asociaza multimii totale de ipoteze si nu negarii ipotezei, IA, ca in modelul Bayesian.
Exemple:
1. Considerind problema atacului terorist, se presupune ca nu exista probe pentru vinovatia nici unei organizatii. In acest caz, atribuirea probabilistica de baza se reprezinta astfel: pentru orice
In modelul Bayesian aceasta situatie s-ar fi exprimat asociind o valoare de probabilitate egala cu 0.25 fiecarei ipoteze din .
2. Se presupune existenta unei probe care sustine ipoteza vinovatiei organizatiilor teroriste irakiene cu gradul de incredere 0.6. Atunci reprezentarea atribuirii probabilistice de baza este:
pentru orice alt
Modelul Bayesian ar fi asociat probabilitatea 0.4 ipotezei , ipoteza echivalenta negarii ipotezei .
3. Se presupune existenta unei probe care infirma ipoteza vinovatiei organizatiei S1 cu probabilitatea 0.7. Aceasta este echivalent cu a spune ca exista o proba care confirma negarea ipotezei S1 cu probabilitatea 0.7. In acest caz, atribuirea probabilistica de baza se reprezinta astfel:
pentru orice alt
Deoarece increderea intr-o submultime de ipoteze A asigura si increderea in submultimile care contin A, i.e. noduri superioare in graful de parti ale multimii , este interesant de gasit o functie care sa calculeze cantitatea totala de incredere in submultimea de ipoteze A. Aceasta functie va include nu numai increderea in A dar si increderea in toate submultimile multimii A.
Definitie. Se numeste functie de incredere, notata cu Bel, corespunzatoare unei functii de atribuire probabilistica de baza m, functia care asociaza pentru orice submultime de ipoteze A din suma increderilor fiecarei submultimi din A pe baza lui m, conform urmatoarei formule:
(23)
Functia de incredere reprezinta masura increderii totale in submultimea de ipoteze A pe baza probelor care au generat m si are urmatoarele proprietati:
* daca A este ipoteza individuala
*
*
Exemplu.


Daca se considera valorile atribuirii probabilistice de baza din exemplul 3 anterior, atunci .
5.3.3 Combinarea functiilor de incredere
Modelul MYCIN prezentat in sectiunea anterioara ofera o serie de reguli de combinare a incertitudinii intr-o ipoteza sau in mai multe ipoteze pe baza diverselor probe, pentru realizarea rationamentului incert. Teoria Dempster-Shafer realizeaza acest lucru printr-o singura regula care permite combinarea functiilor de incredere atit in cazul in care ele reprezinta probe multiple in favoarea aceleiasi ipoteze, cit si in cazul in care diverse probe sustin ipoteze diferite.
Fie doua probe avind asociate functiile de atribuire probabilistica de baza m1 si m2, si functiile de incredere Bel1 si Bel2. Functiile m1 si m2 vor asocia diverse valori probabilistice submultimilor de ipoteze Xi si respectiv Yj, din cadrul de selectare ( ). Functia de incredere rezultata din combinarea increderii aduse de cele doua probe se calculeaza, conform formulei (23), astfel:
(24)
In consecinta, pentru a calcula , trebuie calculata atribuirea probabilistica de baza combinata , pe baza functiilor m1 si m2. Regula de combinare a doua atribuiri probabilistice da baza este pentru orice (25)
Se observa ca, pe baza regulilor de algebra elementara si a definitiei atribuirii probabilistice de baza, exista relatia
(26) deci formula (25) indeplineste conditiile impuse functiei de atribuire probabilistica de baza.
Observatie. Comutativitatea inmultirii asigura independenta rezultatului calculat cu regula de combinare din formula (25) de ordinea in care se face combinarea functiilor de atribuire probabilistica de baza, deci de ordinea de considerare a probelor.
Se poate da o reprezentare grafica pentru combinarea a doua functii de atribuire probabilistica de baza, asa cum se prezinta in Figura 5.3. Fiecare dreptunghi reprezinta compozitia atribuirii probabilistice de baza din doua surse de probe, cu increderile Bel1 si Bel2, si poate fi privit ca intersectia dintre Xi si Yj, cu masura asociata . Dreptunghiul total reprezinta increderea totala asociata de functiile m1 si m2 submultimilor lor comune.

Figura 5.3 Combinarea increderii in ipoteze pe baza a doua probe
Exemplu. Se presupune existenta unei probe care indica ipoteza vinovatiei organizatiilor teroriste fasciste, i.e. S1 si S2, cu atribuirea probabilistica de baza , si o alta proba care infirma vinovatia organizatiei teroriste S1 cu atribuirea probabilistica de baza . Aceasta proba este echivalenta cu o proba care confirma vinovatia submultimii de organizatii cu . Increderea combinata bazata pe ambele probe este data de asa cum se arata in continuare.



pentru orice alta submultime
Astfel se poate calcula increderea combinata pe baza celor doua probe. Deoarece calculul functiei pentru fiecare submultime este simplu dar laborios, se dau in continuare exemple numai pentru citeva cazuri.






. deoarece
Se observa ca , in acest exemplu, functia satisface definitia unei functii de atribuire probabilistica de baza, i.e. cu . Conditia (2) din definitia unei atribuiri probabilistice de baza este intotdeauna satisfacuta datorita formulei (26). Conditia (3) din definitie, , este o conditie problematica in cazul in care tabloul de intersectie contine intrari nule. Aceasta situatie nu a aparut in exemplul de mai sus deoarece orice doua multimi cu valori nenule ale atribuirii probabilistice de baza au avut intotdeauna cel putin un element in comun. In general este posibil sa existe multimi Xi si Yi fara elemente comune, i.e. , dar cu valori ale functiilor m1 si m2 diferite de zero. In acest caz ar rezulta o functie , ceea ce contrazice definitia.
Teoria Dempster-Shafer rezolva aceasta problema prin normalizarea valorilor atribuirii probabilistice de baza combinate astfel incit si toate valorile functiei sa ramina in continuare in intervalul a0,1i. Normalizarea se face prin definirea sumei tuturor valorilor nenule asociate multimii vide in tabloul de intersectie. In acest fel, formula (25) de calcul a atribuirii probabilistice de baza combinata este inlocuita cu formula
(27)
Se poate demonstra ca utilizind formula de mai sus conditiile din definitia functiei de atribuire probabilistica de baza sint indeplinite.
5.3.4 Intervale de incredere
Functia de incredere Bel(A) asociata unei submultimi de ipoteze A reprezinta masura increderii totale in submultimea A dupa ce au fost considerate toate probele in favoarea ipotezelor din A. Dar aceasta functie contine si alte informatii despre A, respectiv Bel(IA), i.e. masura increderii cu care probele confirma negarea ipotezelor din A, i.e. ipoteza IA. Cantitatea exprima plauzibilitatea lui A, numita si prag de semnificatie a lui A.
Informatia reprezentata de functia de incredere Bel(A) poate fi exprimata convenabil printr-un interval, numit inteval de incredere al submultimii de ipoteze A sau increderea in A. Intervalul de incredere al multimii A este

Se poate arata ca sau, echivalent , deoarece , iar A si IA nu au submultimi comune.
In modelul Bayesian ceea ce inseamna ca lungimea intervalului de incredere este zero. In teoria Dempster-Shafer lungimea intervalului de incredere este de obicei diferita de zero si reprezinta masura increderii in faptul ca daca multimea de ipoteze A nu este sigura, nici negarea multimii de ipoteze, IA, nu este sigura. Se observa ca lungimea intervalului de incredere al multimii de ipoteze A este suma functiilor de incredere asociate acelor submultimi de ipoteze din * care intersecteaza A dar care nu sint submultimi ale multimii A. Daca A este o ipoteza individuala, toate aceste submultimi sint si superseturi ale lui A, dar acest lucru nu mai este valabil pentru cazul in care A contine mai multe ipoteze. Lungimea intervalului de incredere poate fi interpretata si ca masura incertitudinii unei ipoteze pe baza unei probe date. In continuare se dau exemple de interpretari ale unor intervale de incredere:
a0,1i reprezinta nici o incredere in ipoteza
a0,0i reprezinta increderea ca ipoteza este falsa
a1,1i reprezinta increderea ca ipoteza este adevarata
a0.3,1i reprezinta increderea partiala in ipoteza
a0,0.8i reprezinta neincrederea partiala in ipoteza
a0.2,0.7i reprezinta atit increderea cit si neincrederea in adevarul ipotezei
Teoria Dempster-Shafer modeleaza procesul acumularii de probe in favoarea unei multimi de ipoteze competitive pornind de la un interval de incredere a0,1i asociat fiecarei ipoteze, corespunzator situatiei initiale in care nu exista nici o proba. Pe parcursul acumularii probelor, intervalul de incredere asociat se va reduce reprezentind increderea crescuta intr-o ipoteza sau o multime de ipoteze. Se observa ca aceasta abordare difera de modelul Bayesian in care probabilitatile se distribuie, la inceput, egal intre ipoteze. Intervalul de incredere pune in evidenta clar faptul ca nu exista nici un fel de informatie la inceput. Acest lucru nu se intimpla in modelul Bayesian deoarece, dupa considerarea unui numar oarecare de probe, se pot obtine in final aceleasi probabilitati cu cele atribuite initial ipotezelor. Aceasta diferenta este importanta in momentul in care sistemul de rationament incert trebuie sa decida daca mai este nevoie sa considere in continuare noi probe sau nu.
5.4 Retele Bayesiene
Modelul retelelor Bayesiene, introdus de Judea Pearl a1988i, porneste de la modelul probabilistic Bayesian, dar elimina numarul enorm de calcule necesare in acesta prin considerarea caracteristicilor de modularitate si de cauzalitate ale domeniului problemei. Ideea de baza a retelelor Bayesiene este aceea ca, pentru a descrie domeniul problemei, nu este necesar sa se considere probabilitatile tuturor perechilor de evenimente (fapte) posibile. Cele mai multe evenimente sint independente intre ele si interactiunile dintre acestea nu trebuie considerate, deoarece nu exista. Modelul retelelor Bayesiene foloseste un graf orientat aciclic aSedgewick,1990i pentru a reprezenta gradele de incredere in faptele din baza de cunostinte si dependentele cauzale existente intre aceste fapte.
Realizarea inferentelor intr-o astfel de retea revine la propagarea probabilitatilor faptelor date si/sau inferate in retea spre nodurile concluzie. Reprezentarea cunostintelor sub forma de retele va fi discutata pe larg in Capitolul 6. Modelul retelelor Bayesiene este, evident, foarte potrivit pentru a realiza inferente incerte intr-o astfel de reprezentare. Eliminind calculele laborioase si cantitatile mari de informatii necesare in modelul Bayesian, retelele Bayesiene au avantajul posibilitatii modelarii ipotezelor dependente, deci elimina conditia de independenta necesara in modelul factorilor de certitudine din MYCIN si in teoria Dempster-Shafer.
Exemplul ierbii ude din finalul Sectiunii 5.2 a pus in evidenta faptul ca exista doua moduri in care o propozitie poate influenta o alta propozitie. Primul mod sugereaza simptome pe baza cauzei acestora, iar cel de-al doilea sugereaza cauza pe baza simptomelor. In retelele Bayesiene se face clar distinctia intre aceste doua tipuri de relatii pe baza directiei arcelor din graf. Fiecare nod din graf corespunde unei propozitii, care poate lua valorile adevarat sau fals, sau unui obiect (obiect-atribut) care poate lua valori din domeniul de valori asociat obiectului. Exemple de astfel de obiecte si valori sint, pentru domeniul medical: o boala specifica, temperatura pacientului, rezultatul unei analize. Directiile arcelor din retea indica intotdeauna o legatura cauzala directa, deci (cauza*efect). Pentru exemplul ierbii ude, reprezentarea sub forma de retea Bayesiana este data in Figura 5.4.
Pe linga cele trei noduri corespunzatoare celor trei fapte din exemplu, se observa ca s-a adaugat un al patrulea nod, propozitia sezon ploios care poate lua valorile adevarat sau fals.

Figura 5.4 Reprezentarea cauzalitatii intr-o retea Bayesiana
Pentru realizarea inferentelor incerte, se asociaza probabilitati a priori faptelor din retea si probabilitati conditionate fiecarei legaturi cauzale (arc) din retea. Pentru exemplul ierbii ude, probabilitatile considerate sint indicate in Figura 5.5. In aceasta figura se observa, de exemplu, ca probabilitatea a priori ca sezonul sa fie ploios este de 0.5 si, intr-un astfel de sezon, probabilitatea (conditionata) de producere a ploii este 0.9.

Figura 5.5 Probabilitati pentru o retea Bayesiana
Pentru a putea realiza inferente intr-un astfel de model este nevoie de un mecanism care sa permita calculul influentei unui nod asupra celorlalte. Exista trei clase de algoritmi pentru realizarea acestor calcule: metoda transmiterii mesajelor, metoda triunghiulara si algoritmii stocastici. Ideea tuturor celor trei clase de algoritmi este aceea de a exploata domeniul limitat de influenta al nodurilor. Astfel, desi operatia de actualizare a probabilitatilor in retea este complexa computational, complexitatea poate fi redusa in practica. Detalii asupra acestor algoritmi pot fi gasite in Pearl a1988i.
Reprezentarea cunostintelor incerte prin retele Bayesiene a fost utilizata intr-o serie de sisteme bazate pe cunostinte, in special in domeniul diagnosticarii medicale unde s-au construit sistemele CASNET aWeiss,s.a.,1978i si INTERNIST/CADUCEUS aPople,1982i.
5.5 Exercitii si probleme
1. Folosind modelul Bayesian sa se determine probabilitatea unui eveniment A in conditiile producerii unui eveniment B, stiind ca , si .
2. In modelul Bayesian sa se demonstreze ca daca evenimentele A si B sint independente, i.e. , atunci .
3. Considerind teoria clasica a probabilitatii, este posibil sa se calculeze cind se cunosc P(A), si P(B)? Justificare.
4. Sa se foloseasca modelul coeficientului de certitudine din MYCIN pentru rezolvarea urmatoarei probleme. Trei reguli R1, R2 si R3 concluzioneaza despre ipoteza h pe baza probelor e1, e2 si, respectiv e3. Regula R1 are asociat coeficientul de certitudine , regula R2, si regula R3, . Sa se calculeze masura increderii (MB), masura neincrederii (MD) si coeficientul de certitudine (CF) asociate ipotezei h pe baza:
(a) obtinerii probei e1
(b) obtinerii probelor e1 si e2
(c) obtinerii probelor e1, e2 si e3.
5 In modelul MYCIN se cunosc urmatoarele: exista o regula care contine in partea stinga conditii despre s1, s2 si s3 si concluzioneaza despre ipoteza h1 cu coeficientul de certitudine . Ipoteza h1 este "identitatea organismului este streptococ", s1 este observarea faptului ca organismul este gram-negativ, s2 ca organismul are morfologia coc si s3 ca organismul se dezvolta in lanturi. Se stie de asemenea ca si . Sa se calculeze , si in conditiile in care se cunoaste cu certitudine ca organismul este gram-pozitiv si ca are morfologia coc.
6. Se considera exemplul din Sectiunea 5.3.3 si o a treia proba m3 care confirma ipoteza de vinovatie a organizatiei S1 cu valoarea 0.8. Sa se calculeze si , unde si .
7. Fie multimea de ipoteze de diagnosticare a unui pacient: alergie, gripa, raceala, pneumonie. Notind cu Al alergia, cu Gr gripa, cu Ra raceala si cu Pne pneumonia, se obtine cadrul de selectare .
(a) Sa se calculeze valorile atribuirii probabilistice de baza pentru aceste ipoteze in cazul in care nu exista nici o proba.
(b) Sa se calculeze valorile atribuirii probabilistice de baza m1 si a functiei de incredere Bel1 pentru cazul in care se obtine o proba care sustine multimea de ipoteze cu valoarea atribuirii probabilistice de baza 0.7, de exemplu faptul ca pacientul are febra.
(c) Sa se calculeze valorile functiei de incredere in cazul in care o a doua proba, de exemplu pacientului ii curge nasul, sustine multimea de ipoteze cu .
(d) Sa se calculeze valorile functiei de incredere combinate , unde , in cazul in care se obtine o a treia proba care sustine ipoteza diagnosticului de alergie cu valoarea .
(e) Sa se comenteze si sa se interpreteze toate rezultatele obtinute.