IJCAI2022会议！Brescia 等人的“证据推理与学习”教程

IJCAI大会将于7月23日至29日在奥地利维也纳举行。IJCAI 2022 共收到 4,535 份投稿，最终接受率为 15%，较去年 13.9% 的接受率有所上升。意大利布雷西亚大学最新IJCAI2022《证据推理与学习》教程•美国DEVCOM ARL等，介绍证据推理与学习的最新进展广州侦探，非常值得关注！

在使用 AI 系统时，我们需要评估何时信任它的建议。假设我们错误地相信了一个可能出错的领域。在这种情况下，可能会发生灾难性故障，因此需要使用贝叶斯方法进行推理和学习，以确定查询结果概率的置信度（或认知不确定性）。然而，纯贝叶斯方法的计算成本很高。为了克服它们，我们恢复到有效且有效的近似值。在本教程中，博士生和早期研究人员将了解一种称为循证推理和学习的技术，该技术是根据额外收集的证据从贝叶斯更新给定假设的过程。本教程为读者提供了基于证据的推理和学习的调查领域，包括最新的研究成果。

为了识别人工智能系统可能出错的领域，我们需要区分（至少）两种不同的不确定性来源：偶然的（或任意的）不确定性和认知不确定性。机会不确定性是指由于固有随机效应（如抛硬币）导致的实验结果的可变性：没有额外的信息来源，但拉普拉斯的守护进程可以减少这种可变性。认知不确定性是指使用模型的代理的认知状态，因此其缺乏知识，原则上可以基于额外的数据样本来减少。

本教程详细介绍了在推理和学习中量化偶然性和认知不确定性的交叉点，同时根据进一步收集的支持（或反对）假设的证据，使用非常有效的近似来更新贝叶斯后验。我们主要关注的是不确定概率按照贝叶斯统计范式表示为 Beta 或 Dirichlet 分布的情况。与现有的关于量化（深度）学习中知识不确定性方法的调查不同，在本教程中，我们旨在概述存在知识不确定性的推理以及使用全部和部分数据的学习。面临的挑战。存在偶然性和认知不确定性的逻辑推理提出了全新的问题，当人们希望限制对计算资源的需求时，需要解决这些问题。我们用概率电路的概念来说明这个想法专业证据调查，它可以包含大量的推理问题。我们进一步讨论了确定概率电路参数中认知不确定性和偶然不确定性的挑战，特别是训练数据的部分可观察性。最后，它讨论了如何确定来自现实世界的不确定概率。不出所料，它们要么由神谕（例如情报分析员）提供，要么从原始数据中学习。我们进一步讨论了确定概率电路参数中认知不确定性和偶然不确定性的挑战，特别是训练数据的部分可观察性。最后，它讨论了如何确定来自现实世界的不确定概率。不出所料，它们要么由神谕（例如情报分析员）提供，要么从原始数据中学习。我们进一步讨论了确定概率电路参数中认知不确定性和偶然不确定性的挑战IJCAI2022会议！Brescia 等人的“证据推理与学习”教程，特别是训练数据的部分可观察性。最后，它讨论了如何确定来自现实世界的不确定概率。不出所料，它们要么由神谕（例如情报分析员）提供，要么从原始数据中学习。

federico-cerutti.unibs.it/tutorials/2022-ijcai-erl/

统计基础和贝叶斯

Beta 和 Dirichlet 分布作为不确定的概率。

从逻辑到概率电路；

概率电路作为概率推理的统一方法；

具有不确定概率的概率电路。

通过完整的观察学习；

部分观察学习：初步建议和讨论。

情报分析与不确定性

证据深度学习；

替代建议。