Tables
|
|
|
부정 (negation) |
~P, NOT P, P`, ￢P |
논리곱 (conjuction) |
P∧Q, P AND Q, P*Q, P&Q 두명제가 모두 참일 때만 참 |
논리합 (disjunction) |
P∨Q, P OR Q, P+Q, 두명제가 모두 거짓일 때만 거짓 |
배타적논리합 (exclusive disjunction) |
P XOR Q , 모두 참이거나 거짓이면 거짓 |
조건 (conditional) 또는 implication |
P->Q '(만일) P이면 Q이다' P가 참이고 Q가 거짓일 때만 거짓 |
쌍조건 (biconditional) |
P<->Q , (P->Q)∧(Q->P)인 경우 같은 진리값을 가질 때만 참 |
Deduction |
conclusion은 premises로부터 따라나와야 한다는 논리추론 |
Induction |
specific case 로부터 general을 유도해내는 추론 |
Abduction |
true conclusion에서 시작하여 그conclusion 의 원인이 되는 premises 까지 이르는 역 추론. Deduction 과 반대이다 |
Intuition |
증명된 이론이 없는 상태. 잠재된 패턴을 인식해 내는데 무의식에 의해서만 답이 나온다.expert system 에서는 아직 구현하지 못한다. 어떤 조건이나 내삽법 (interpolation) 에 의해 추론되는 것이 아니고 훈련에 의한 추론 (extrapolate from training)을 하기 때문에 ANS (자율신경계)에서나 가능하다. neural net에서 해결(best guess for a solution) 할수 있을 것이다. extrapolate : 외삽법에 의한 추론. interpolate : 보간법 or 내삽법에의한 추론 |
Heuristics |
경험에 바탕을 둔 Rules of thumb |
Generate and Test |
Trial and error를 의미. 가끔 효율성을 강조하는 planning에서 사용된다 |
Default |
특별한 지식이 없어서 general or default common knowledge 로서 추측 |
Autoepistemic |
self-knowledge |
Nonmonotonic |
새로운 증거에 의해 기존 지식이 incorrect 해질수 있다 |
Analogy |
다른 상황에서 similarity 에 기초한 conclusion을 추론해냄 |
Forward
Chaining 과 Backward Chaining 의 차이점
Forward Chaining |
Backward Chaining |
planning, monitoring, control |
diagnosis |
present to future |
present to past |
antecedent to consequent |
consequent to antecedent |
data driven, bottom-up reasoning |
goal driven, top-down reasoning |
work forward to find what solutions follow from the facts |
work backward to find facts that support the hypothesis |
breath-first search facilitated |
depth-first search facilitated |
antecedent determine search |
consequents determine search |
explanation not facilitated |
explanation facilitated |
an interpreter or inference engine |
a database (facts and rules) |
unification 이라 불리는 a form of pattern matching |
하나의 goal을 만족하는 search가 실패했을 때 또다른 subgoal을 수행하는 backtracking mechanism |
(Giarratano 1989)
신경망을 이용한 퍼지 rule의 자동적인 생성에 관한 연구 : 퍼지 시스템 응용분야의 실제 데이터를 신경망의 학습 데이터로 사용하여 그 응용분야의 퍼지 rule을 생성한다 |
신경망 도입을 통한 신속한 추론에 관한 연구 : 신경망은 parallel processing과 multistage 추론을 하는 구조이다. 따라서 fuzzy와의 결합은 추론 과정에 많은 정보가 필요한 경우 추론 속도를 많이 개선할수 있다 |
퍼지 rule에 추론 환경에 적응하는 능력을 부여하는 것에 관한 연구 : 추론 환경이 변함에 따라 추론 rule에 반영될수 있는 새로운 학습방법의 개발이 필요하다. 이럼으로써 사용할수록 성능이 좋아지는 시스템의 구현이 가능해 진다. 이를 위해 새로운 사실을 수용하고, 변화된 환경에 부적절한 사실은 무시해 버리는 학습방법이 필요하다.신경망에서 아직 이단계까지는 가지 못했다. |
퍼지에서의 지식획득의 문제를 해결 : 시스템의 복잡도가 증가 할수록 조작자가 자신이 행하는 제어 행동을 언어적으로 표현하는데 한계를 느낀다. 이의 해결을 위해 조작자의 행동에 따른 입출력 자료를 근거로 조절행위의 퍼지모델을 만들고 신경망의 학습능력과 결합시킨다. 퍼지이론과 신경망 이론은 모두 특정 분야에 대하여 인간처럼 일을 할수 있는 시스템을 만드는 것에 관심이 있다. 이 이론을 함께 사용하여 보다 나은 시스템을 만들려는 연구가 위와같은 방향으로 이루어 지고 있다. |
(이상령 1995)
첫째 : Bayes를 사용하여 불확실성을 처리시 모든 가능한 결과가 mutually exclusive 해야한다. 그러나 의료진단의 실세계 문제에서는 한명의 환자가 두가지 이상의 질병에 감염될수 있기 때문에 상호배타적이 될수 없다. |
둘째 : Bayes에서는 이미 알려진 가설중에서 하나는 반드시 참이어야 정확성이 제고된다. 즉 사전확률이 주어지려면 이미 그 가설에 대한 정보가 있어야 한다. 그러나 만약 어떤 환자가 지금까지 알려지지 않은 질병을 가지고 있었을 시에는 주어진 가설 모두가 거짓일수 있다. |
셋째 : Bayes 에서는 조건부 확률을 이용하므로 사전확률을 모두 알고 있어야 하나, 이것은 현실적으로 어려우며 많은 양의 데이터 및 경비가 소요된다. |
넷째 : Bayes는 확률을 사용하므로 전체적인 확률의 값은 1 이되어야 한다. 그러므로 만약에 새로운 질병에 대한 지식을 database에 삽입시킬 때 기존의 database에 존재하는 확률과 새롭게 삽입한 확률의 합이 1 이되도록 각각의 확률을 수정해야 한다. 이러한 수정방법은 매우 어려우며 복잡한 과정을 거친다 |
(Shortliffe 김화수 1993)