Spain Brazil Russia France Germany China Korea Japan

Artificial Intelligence driven Marketing Communications

 
Jul 27, 2018 12:00 PM ET

Nuevo libro: “Pronósticos mediante modelos incompletos”


iCrowd Newswire - Jul 27, 2018

MIRI investigación asociado Vadim Kosoy tiene un papel que en temas de inducción naturalizada: “predicción mediante modelos incompletos“. Resumen:

Consideramos que la tarea de previsión de una secuencia infinita de observaciones futuras basado en cierto número de observaciones pasadas, donde la medida de probabilidad, generación de las observaciones se “sospecha” para satisfacer una o más de un conjunto de modelos incompletos, es decir, convexo establece en el espacio de medidas de probabilidad.

Este ajuste es en cierto modo intermedia entre el ajuste realizable en la medida de la probabilidad viene de algún conocido conjunto de medidas de probabilidad (que se puede abordar utilizando p. ej. inferencia bayesiana) y el ajuste irrealizable donde la probabilidad medida es completamente arbitraria.

Demostrar un método de pronóstico que garantiza que, siempre que la medida de probabilidad verdadera satisface un modelo incompleto en un sistema contable dado, el pronóstico converge para el mismo modelo incompleto en el (debidamente normalizado) Métricas de Kantorovich-Rubinstein. Esto es análogo a la fusión de opiniones para inferencia bayesiana, excepto que la convergencia en la métrica de Kantorovich-Rubinstein es más débil que la convergencia en la variación total.

Trabajo de Kosoy se basa en lógicos inductores para crear un limpiador formalismo (puramente aprendizaje teoría) para el modelado de entornos complejos, demostrando que los métodos desarrollados en la “Inducción lógica” son útiles para aplicaciones en predicción de secuencia clásica ajenas a la lógica.

“Pronósticos mediante modelos incompletos” también muestran que el concepto intuitivo de un modelo “incompleto” o “parcial” tiene una formalización elegante y útil relacionados con la incertidumbre knightiana. Además, Kosoy demuestra que el uso de modelos incompletos generalizar la inferencia bayesiana permite un agente para hacer predicciones acerca de ambientes que pueden ser tan complejos como el agente sí mismo, o más complejo, en contraste con clásico inferencia bayesiana.

Para más información de la investigación de Kosoy, ver “estimadores óptimos de tiempo polinomial” y el Foro de bases de agente inteligente.

See Campaign: https://intelligence.org/2018/06/27/forecasting-using-incomplete-models/
Contact Information:
Rob Bensinger

Tags:
, Artificial Intelligence Newswire, Wire, United States, Spanish

image




iCrowdNewswire

Tags:    News