주관적 논리

주관적 논리는 인식론적 불확실성과 출처 신뢰를 명시적으로 고려하는 확률론적 논리의 한 유형이다.일반적으로 주관적 논리는 불확실성과 상대적으로 신뢰할 수 없는 ^[1][2][3]선원과 관련된 상황을 모델링하고 분석하는 데 적합하다.예를 들어 신뢰 네트워크 및 베이지안 네트워크의 모델링 및 분석에 사용할 수 있습니다.

주관적 논리에서의 인수는 도메인(일명 상태 공간)에서 값을 가져올 수 있는 상태 변수에 대한 주관적 의견으로, 상태 값은 참 또는 거짓일 수 있는 명제로 생각할 수 있습니다.이항 의견은 이항 상태 변수에 적용되며, 베타 PDF(확률 밀도 함수)로 표시될 수 있습니다.다항식 의견은 여러 가능한 값의 상태 변수에 적용되며 디리클레 PDF(Probability Density Function)로 나타낼 수 있습니다.의견과 베타/디리클레 분포 사이의 대응관계를 통해 주관적 논리는 이러한 함수에 대한 대수를 제공한다.의견들은 또한 뎀프스터-셰퍼 신념 이론에서의 믿음 표현과 관련이 있다.

인간 조건의 근본적인 측면은 세상에 대한 명제가 진실인지 거짓인지 아무도 절대적인 확신을 가지고 결정할 수 없다는 것이다.게다가, 어떤 명제의 진실이 표현될 때마다, 그것은 항상 개인에 의해 행해지고, 그것은 결코 일반적이고 객관적인 믿음을 나타낸다고 여겨질 수 없다.이러한 철학 사상은 주관 논리의 수학적 형식주의에 직접적으로 반영된다.

주관적 의견

주관적 의견은 인식론적 불확실성의 정도에 따라 국가 가치/제안의 진실에 대한 주관적 신념을 표현하며, 필요할 때마다 믿음의 출처를 명시적으로 나타낼 수 있다.의견은 보통 ${\displaystyle X_{}^{}}$ $(\$ _${X}^A})$로 표시됩니다.$여기$서 A$displaystyle$ A$,\!)$는 의견의 출처이며 X$displaystyle$ X$,\!)$는 의견이 적용되는 상태 변수입니다.$변수{\displaystyle }$X(\$displaystyle$ X$,\!)$는$$X(\$displaystyle \mathbb {X$로 $표시$되는 도메인(일명 상태 공간)에서 값을 가져올 수 있습니다.도메인 값은 완전하고 상호 불연속된 것으로 간주되며 소스는 도메인에 대한 공통적인 의미 해석을 가지고 있다고 가정합니다.출처와 변수는 의견의 속성입니다.출처 표시는 관련이 없는 경우 생략할 수 있습니다.

이항적 의견

x$displaystyle$ x$,\!)$를 바이너리 도메인의 상태 값으로 $합니다{\displaystyle }$.상태 $값{\displaystyle }$ x의 진실에 대한 이항식 의견$displaystyle$ x$,\!)$은 순서 4배 ${\displaystyle {\theta }_{}}$ ${\displaystyle {}_{}{}_{}{}_{}}$ (${\displaystyle {}_{}{}_{}}$ x , ${\displaystyle d_{}}$x , ${\displaystyle d_{}}$x${\displaystyle }$, d _ { $x } =$ ( $b$_ {$x$ , $d$_ { x , } , $u$_ {$x$ , $a$_ { $x$} , \ ${\displaystyle \}}$ ) 입니다$$.

${\displaystyle b_{}{}_{}}$x \ $display style$ b _ { x , \ !$\}$ : 믿음의 미사	x$디스플레이 스타일$ x$,\!)$가 $사실$이라는 믿음입니다.
${\displaystyle d_{}}$ x${\displaystyle {}_{}}$($displaystyle d_{x$ 불신 덩어리	x${\displaystyle (}디스플레이{\displaystyle }$ $스타일$ x$,\!)$가 거짓이라는 믿음입니다.
${\displaystyle u_{}{}_{}}$x { $display$ style $u$_ { x , \ !$\}$ : 불확실성 질량	인정되지 않은 믿음의 양으로, 인식론적 불확실성으로도 해석됩니다.
${\displaystyle a_{}}$ x$표시 스타일aisplaystyle$ a_${x$ : 기본 환율	믿음이나 불신이 없는 경우의 선행 확률입니다.

이러한 컴포넌트는 ${\displaystyle b_{}}$x + ${\displaystyle {}_{}{}_{}{x}_{}}$ + ${\displaystyle u_{}}$ x ${\displaystyle {}_{}}{\displaystyle 1}$ { $displaystyle b$_ { x$$} + $d$_ { $x$} =$$1 , \ $!}$ 및$$ $b{\displaystyle {}_{}}$ ${\displaystyle x_{}}$ ${\displaystyle {}_{}{}_{}{x}_{}}$, ${\displaystyle u_{}}$x, ${\displaystyle a_{}}$ ${\displaystyle [}$ [$0$ , ${\displaystyle 1]}$ { $displaystyle b$_ {$x$ } , $d_{$x } \ $in$0 . 1$\}$ $문자$를 $만족$합니다.

의견	${\displaystyle {여기}_{}}$서 b x $=$ {\$displaystyle b_{x$}=$1,\!}$	Boolean TRUE와 동등한 절대 의견입니다.
	${\displaystyle {여기}_{}}$서 d x $=$ $displaystyle d_{x$}=$1,\!})$	Boolean FALSE에 해당하는 절대적인 의견입니다.
	${\displaystyle {여기}_{}}$서 b${\displaystyle {}_{}}$x + ${\displaystyle {}_{}}$ ${\displaystyle x_{}}$ ${\displaystyle {}_{}}{\displaystyle 1}$ { $display b$_ { x$$} + $d$_ { x }$=$1 , \ ! }	전통적인 확률과 같은 독단적인 의견입니다
	서 bx + < \ $style b$_ { $x$} + d$_$ { $x$} < 1$,$\ ! }	인식론적 불확실성의 정도를 나타내는 불확실한 의견이다.
	${\displaystyle {여기}_{}}$서 b${\displaystyle {}_{}}$x + ${\displaystyle {}_{}}$ ${\displaystyle x_{}}$ ${\displaystyle {}_{}}{\displaystyle 0}$ { $style$ b _ { $x$} + d$_$ { x } =$$0 , \ !$$}	완전한 인식론적 불확실성 또는 신념의 완전한 공허함을 표현하는 공허한 의견이다.

이항 오피니언의 예상 확률은 P ${\displaystyle {}_{}}$ $=$ ${\displaystyle b_{}}$x + ${\displaystyle a_{}}$ ${\displaystyle {}_{}{}_{}}$ ${\displaystyle u_{}{}_{}}$x {\$displaystyle \mathrm {P} _{x$}=$b_{x}+a_{x}u_{x$로 정의됩니다.

이항 의견은 다음과 같이 정삼각형으로 나타낼 수 있다.삼각형 내부의 점은 a${\displaystyle }$( ${\displaystyle b_{}}$x , ${\displaystyle {}_{}{x}_{}}$ , ${\displaystyle u_{}}$x${\displaystyle }$) { $displaystyle$( b$_$ {$x$ , $d$_ {$x$ , $u$_ { x )$$、 \ ! } triple을$$ 나타냅니다.b, d, u-ax는 믿음, 불신 또는 불확실성 레이블로 표시된 한 모서리에서 반대 정점까지 이어집니다.예를 들어, 강한 긍정적인 의견은 오른쪽 아래 신념 정점에 대한 점으로 나타납니다.이전 확률이라고도 하는 기준 환율은 기준선을 따라 빨간색 포인터로 표시되며, 예측 $확률$인 ${\displaystyle {}_{}{}_{}}$x \$displaystyle$\ $mathrm$ { P $} _$ {x $\}$ , \ ! }는 기본 환율 프로젝터 라인에 평행하게 의견을 투영하여 형성됩니다.왼쪽 삼각형에는 세 가지 값/제안 X, Y, Z에 대한 의견이 시각화되고 오른쪽 그림에는 동등한 베타 PDF(Probability Density Functions)가 시각화된다.각 의견의 수치와 구두 질적 설명도 나와 있습니다.

베타 PDF는 보통 B ${\displaystyle \mathrm{e}}$ t${\displaystyle \mathrm{a}}$ (${\displaystyle p}$) ;${\displaystyle \alpha }$ ,${\displaystyle }$β${\displaystyle }$) { $displaystyle \mathrm${$Beta$} ($p$ ($x$ ) ;\$alpha$,\$beta ;\!}$ 로 $표시$됩니다.$여기$서${\displaystyle }$α { $displaystyle$ \$alpha }$ $와{\displaystyle }$β { $displaystyle \beta }$는 두 가지 강도 파라미터입니다.이항 오피니언의 베타 PDF ${\displaystyle x_{}}$ x ${\displaystyle ={}_{}}$( ${\displaystyle b_{}}$ ${\displaystyle {}_{}}$, d ${\displaystyle x_{}}$ ,${\displaystyle {}_{}{u}_{}}$ x ,${\displaystyle {}_{}}$x${\displaystyle }$) { $displaystyle \opha$ _ ${$x } ( b$_$ {$x }$ , d _ {x$$} ,$u$ _ {x } ,$a$ _ {$x$} , \ } )는 t ( (( ) , + A )이다.$hrm {Beta}(p(x$);\alpha$,\delpa){\mbox{여기}}{\mbox}{\$mbox$}{\mbox$}{\mbox}{\mbox}{\max}{\$u_{x}}}+Wa_{x}\beta$ &$=mparcfrac {Wd_{{x}}{$W_${W$}}}}{W$}{W$}}{W}}}}}{\max{W}}{\max{W$}}}}}}}}}{\$

다항식 의견

X$displaystyle$ X$,\!)$를 상태 값 $style x,\in \mathbb${X$\},\backslash !)$를 취할 수 있는 상태 변수라고 $가정$합니다${\displaystyle .}$ X(\$displaystyle$ X$,\!)$에 대한 다항식 의견은 복합 $=$(${\displaystyle {}_{}}$ ${\displaystyle {}_{}}$, X${\displaystyle {}_{}}$ ${\displaystyle A_{}}$,\$display$ X$,\!)입니다.$${\displaystyle }${\$displaystyle b_${X$},\!}$는 X${\displaystyle (}$style X$,\backslash !)$의 가능한 상태 값에 대한 신뢰 집단 분포, ${\displaystyle u_{}}$ X$style u_{X},\!)$는 불확실성 질량,${\displaystyle {}_{}}X{\displaystyle {}_{}}$(\$displaystyle a_{X},\!)$는 X$기본$ 비율)의 $가능$한 상태 값에 대한 이전(기본 비율 분포입니다$.$$ystyle$ X$,\backslash !\}.$ 이들 $파라미터$는${\displaystyle {}_{}{u}_{}}$${\displaystyle {}_{}}$X +${\displaystyle {}_{}}$ ${\displaystyle b_{}}$X (${\displaystyle }$${\displaystyle x}$ ) ${\displaystyle =}$ ${\displaystyle 1}$ { $display$ style u$$_$${ X } + \ $sum b$_ { $X$${\displaystyle {}_{}}$} ( $x$${\displaystyle }$)$$$={\displaystyle }$ 1${\displaystyle }${ $display$ ${\displaystyle \mathrm{style}}$\ $sum a$ { $X$} ( x )${\displaystyle }$$=$1 ,$$\ \ \ } ${\displaystyle x}$ $as{\displaystyle {}_{}}$ u u u u${\displaystyle }$、 、 。

3항식 의견은 단순히 사면체 내부의 점으로 시각화될 수 있지만, 3항식보다 큰 차원을 가진 의견은 단순한 시각화에 도움이 되지 않는다.

디리클레 PDF는 보통 ${\displaystyle {}_{}}$( ${\displaystyle p_{}}$X ;${\displaystyle {\alpha }_{}}$X )${\displaystyle }${ $displaystyle \mathrm${ $Dir$} ( $p _$ { $X$} ; \$alpha$$_$ { X$$} , \ ! } 로 표시됩니다.${\displaystyle {여기}_{}}$서 p X ${\displaystyle \{{}_{}}$ $style p_${X$}$ , \ ! }는$$X { $displaystyle$ $X$$\}$ $및{\displaystyle {}_{}{}_{}}{\displaystyle {\alpha }_{}}$ style 의 $상태{\displaystyle }$ 값에 대한 확률 분포입니다.다항식 ${\displaystyle {의견}_{}}$의 디리클레 PDF${\displaystyle b_{}}$ ${\displaystyle {}_{}{}_{}}$= (${\displaystyle {}_{}{b}_{}}$ ${\displaystyle {}_{}}$ ,$u$ X , ${\displaystyle a_{}}$ X )$=$ ( b$_$ {$X$, $u _$ ${ X$ , a$_$ { $X$} , \ ! )는$$ ${\displaystyle \mathrm{Dir}}$( ${\displaystyle p_{}}$X ;${\displaystyle {}_{}{\alpha }_{}}$ X$$) { $display$\ $mathrm${$Dir$} 입니다$.$${\displaystyle a_{}}$ X${\displaystyle {}_{}}$( $x$) \$alpha$ _ ${X}$ ($x)$=$flac {Wb_{X}$ ($x)$ {$u_{X$}} + $Wa_{X}$ ($x$ 여기서$W{\displaystyle }$ {$displaystyle$ W$}$는 비변동적 선행 가중치이며,^[4] 일반적으로 증거 단위라고도 함 $= 2$로 $설정$됩니다.

연산자

아래 표의 연산자 대부분은 이진 로직과 확률 연산자의 일반화입니다.예를 들어 덧셈은 단순히 확률의 덧셈의 일반화이다.이항 의견을 결합하는 데만 의미가 있는 측정 시스템도 있고 다항 ^[5]의견에도 적용되는 측정 시스템도 있습니다.대부분의 연산자는 2진수이지만 보수는 단항이고 유괴는 3진수입니다.각 연산자의 수학적 세부 사항은 참조 자료를 참조하십시오.

주관논리연산자, 표기법 및 대응하는 명제논리연산자/이원논리연산자

주관 논리 연산자	연산자 표기법	명제/이진 논리 연산자
추가[6]	${\displaystyle\mega_{x\cup y}^{A}=\omega_{x}^{A}+\Omega_{y}^{A},\!}$	유니언
뺄셈[6]	$\displaystyle \obega _{x\backslash y}^{A}=\obega_{x}^{A}-\obega_{y}^{A},\!}$	차이
곱셈[7]	${\displaystyle\mega_{x\land y}^{A}=\obega _{x}^{A}\cdot \obega _{y}^{A},\!}$	접속 / AND
분할[7]	${\displaystyle\obega_{xsubline\land}y}^{A}=\obega_{x}^{A}/\obega_{y}^{A},\!}$	분리/UN-AND
혼재[7]	${\displaystyle\mega_{x\lor y}^{A}=\obega _{x}^{A}\sqcup \obega _{y}^{A},\!}$	분리 / OR
코드비전[7]	${\displaystyle\obega_{xsubline\lor}y}^{A}=\obega_{x}^{A}\;{\오버라인{cup}}\;\obega_{y}^A},\!}$	분리되지 않음/UN-OR
보완하다[2][3]	${\displaystyle {\overline {x}^{A}\;=\lnot \omega _{x}^{A},\!}$	것은 아니다.
공제[1]	$\displaystyle _{Y\X}^{A}=\opera _{YX}^{A}\circle \operc \{X}^{A},\!}$	모두스 포넨
주관 베이즈 정리[1][8]	$\displaystyle \mega _{X{\tilde {}}Y}^{A}=\mega _{YX}^{A}\;{\widetilde {phi},}\;a_{X},\!}$	반대 배치
납치[1]	$\displaystyle \mega _{X{\widetilde {\}Y}^{A}=\mega _{YX}^A}\;{\widetilde {\circ}}\;(a_{X},\mega _{Y}^{A},\!}$	모더스 톨렌스
이동성/할인[1]	${\displaystyle \mega_{X}^{A;B}=\obega _{B}^{A}\otimes \obega _{X}^{B},\!}$	n.a.
누적 융합	${\displaystyle \mega _{X}^{A}=\omega _{X}^{A}\oplus _{X}^{B},\!}$	n.a.
구속[1] 융합	${\displaystyle\{X}^{A\&B}=\Omega_{X}^A}\;\odot\;\Omega_{X}^B},\!}$	n.a.

전이 소스 조합은 콤팩트 또는 확장 형식으로 나타낼 수 있습니다.예를 들어, 분석가/$소스{\displaystyle }$A${\displaystyle (\backslash }$$displaystyle$ A$,\!)$에서 $소스$ B(\$displaystyle$ B$,\!)$를 경유하여 변수$$${\displaystyle }$X(\$displaystyle$ X$,\!)$로 이행하는 신뢰경로는 [${\displaystyle A;}$ ${\displaystyle B}$${\displaystyle ,}$ $displaystyle$ [$A$${\displaystyle ;B}$$,X],\!)$로${\displaystyle }$콤팩트하게 나타낼 수 ${\displaystyle \mathrm{있습니다}.}$$[B,X],\!}$을(를) 확장합니다.여기서 [$;$$A$$;B$], $\!)$는 A$(\$displaystyle A$)$가 소스 $B{\displaystyle }$(\$displaystyle$ B$)$에 대한 신뢰/신뢰를 가지고 $있음$을 $나타내고$ ${\displaystyle [B,}$ $X](B,$ X$)$는 X(X)의 상태에 대한 의견을 $가지고{\displaystyle }$ 있음을 나타냅니다$.{\displaystyle }$A$(\displaystyle$ A$)$에 바이스.확장된 형식은 가장 일반적이며 주관적 논리식이 연산자에 의해 형성되는 방식에 직접 대응합니다.

특성.

인수의견이 Boolean TRUE 또는 FALSE와 동등한 경우 주관적 논리연산자의 결과는 항상 대응하는 명제적 논리연산자의 결과와 동일하다.마찬가지로, 주장의 의견이 전통적인 확률과 같을 때, 주관적인 논리 연산자의 결과는 항상 대응하는 확률 연산자의 결과와 동일합니다(존재하는 경우).

논거 의견이 불확실성의 정도를 포함하는 경우, 곱셈과 나눗셈(추리, 외전 및 베이즈 정리 포함)을 포함하는 연산자는 항상 정확한 예상 확률을 가지지만 베타/디리클레 ^[1]PDF로 볼 때 대략적인 차이를 갖는 파생 의견을 생성한다.다른 모든 측정 시스템은 예측 확률과 분산이 항상 분석적으로 정확한 의견을 생성합니다.

전통적으로 명제 논리에서 동등한 다른 논리 공식들이 반드시 같은 의견을 가지는 것은 아니다.예를 들어 "${\displaystyle x_{}}$"${\displaystyle {}_{}}$(${\displaystyle {yz}_{}}$z ) "${\displaystyle {}_{}}$( ${\displaystyle x_{}}$ ${\displaystyle y_{}}$y ) " ( x y y ) "${\displaystyle {}_{}}$( ${\displaystyle {xz}_{}}$z ${\displaystyle ){}_{}}$" ( x ) \ $displaystyle$\ $obega _ { x$ \$land y$) \ $neq$\ $obega$ _ { ($x$ \ $land$ y ) \ $lor$ ( ${\displaystyle x}$$$\ $land$ z )$$${\displaystyle \}}$ , \ ${\displaystyle \mathrm{lor<img\; alt="\backslash omega\; \_\{\{x\backslash land\; (y\backslash lor\; z)\}\}\backslash neq\; \backslash omega\; \_\{\{(x\backslash land\; y)\backslash lor\; (x\backslash land\; z)\}\}\backslash ,\backslash !"\; aria-hidden="true"\; class="mwe-math-fallback-image-inline"\; src="https://wikimedia.org/api/rest\_v1/media/math/render/svg/a5a5dc4a303d1b41e7ca3e505371c14cbd9effa5"\; style="vertical-align:\; -1.171ex;\; margin-right:\; -0.387ex;\; width:22.155ex;\; height:3.009ex;">}}$ \ 。$단{\displaystyle }$, \ $。$$또는 (x\land$ z$),\backslash !\}$는 이진 명제 로직을 유지합니다.해당 확률 연산자도 비분포이므로 놀랄 일도 아닙니다.단, 곱셈은 덧셈에 대한 분포입니다.예를 들어, 「${\displaystyle {}_{}{」(y}_{}}$z${\displaystyle {}_{}}$z)${\displaystyle {}_{}}$=${\displaystyle {}_{}}$「${\displaystyle {\mathrm{xg}}_{}}$ y$xg$z${\displaystyle ){}_{}}{\displaystyle {=}_{}}$ 「$display style$\ $obega _{x\land$ y$)\cup (x\land$ z$)}$$=$ 「x\land z」(x$\land$ z)\!} 로 표현되고 있습니다.De Morg의 법칙도 충족됩니다.$오버라인 {x\land$ y$}=\omega_{\overline {x}}\lor${\$overline {y$

주관적 논리는 수학적으로 복잡한 모델을 매우 효율적으로 계산할 수 있게 해준다.이는 분석적으로 올바른 함수의 근사치를 통해 가능합니다.공동 베타 PDF 형식으로 두 개의 베타 PDF를 분석적으로 곱하는 것은 비교적 간단하지만, 그보다 더 복잡한 것은 금방 다루기 어려워집니다.두 개의 베타 PDF를 일부 오퍼레이터/커넥티브와 결합할 경우 분석 결과는 항상 베타 PDF가 아니며 하이퍼 지오메트릭 시리즈가 포함될 수 있습니다.이러한 경우 주관적 논리는 항상 결과를 베타 PDF와 동등한 의견으로 근사합니다.

적용들

주관적 논리는 분석될 상황이 불완전한 지식으로 인한 상당한 인식론적 불확실성으로 특징지어질 때 적용할 수 있다.이런 식으로 주관적 논리는 인식론적 불확실한 확률에 대한 확률론적 논리가 된다.장점은 분석 내내 불확실성이 보존되고 결과에 명시되어 특정 결론과 불확실한 결론을 구별할 수 있다는 것이다.

신뢰 네트워크와 베이지안 네트워크의 모델링은 주관적 논리의 전형적인 응용 프로그램입니다.

주관적 신뢰 네트워크

주관적 신뢰 네트워크는 전이성과 융합 연산자의 조합으로 모델링할 수 있습니다.${\displaystyle [}$ ${\displaystyle A}$; ${\displaystyle B]}$ { $style [ A$ ; $B$$$]] , \ !$$} $displaydisplay$ 、 B${\displaystyle }$、 \ $display$ $style$ B$$、 \ !$$} ${\displaystyle \mathrm{displaydisplay}}$ $、$ [ B 、 X ${\displaystyle ]}$${\displaystyle }、{\displaystyle }$ $B$${\displaystyle }$$displaydisplaydisplaydisplay{\displaystyle }$ 、 X $displaydisplaydisplaydisplaydisplaydisplaydisplaydisplay$ displaydisplaydisplaydisplaydisplaydisplay 、 B displaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplaydisplay${\displaystyle (}$ [ ${\displaystyle A}$;${\displaystyle B]}$: [ ${\displaystyle B}$ , ${\displaystyle X]}$ ) ${\displaystyle (}$ (${\displaystyle }$[${\displaystyle A}$ ;${\displaystyle C]}$: [ ${\displaystyle C}$ , X${\displaystyle ]}$ ) \ $displaystyle$( [$A$ ; $B$] )${\displaystyle }$。$[B,X])\다이아몬드([A;C]):$아래$그림과 같이$ [C$,$X$$$],\!}.$

지수 1, 2, 3은 신뢰의 가장자리와 조언이 형성되는 시간순서를 나타냅니다.따라서 인덱스 1과의 신뢰 엣지 세트가 주어질 때, 원본 $A$는 B$displaystyle$ B$,\!)$와 C$displaystyle$ C$,\backslash !)$로부터 조언을 받아 신뢰 엣지와 신념 엣지를 각각 의견으로 표현함으로써 $변수{\displaystyle }$X(\$displaystyle$ X$,\backslash !)$에 대한 믿음을 얻을 수 있다.A$displaystyle$ A$)$가 X${\displaystyle (\backslash }$$displaystyle$ X$,\!)$에 ${\displaystyle {}_{}^{}}$ 믿음을 얻을 수 있습니다${\displaystyle {.}_{}^{}}$ ${\displaystyle X_{}^{}{}_{}^{}}$ A ${\displaystyle {}_{}^{}}$ ${\displaystyle {\mathrm{display}}_{}^{}}$A ;${\displaystyle B_{}^{}}$ )${\displaystyle {}_{}^{}=}$(${\displaystyle {}_{}^{}}$ ${\displaystyle {}_{}^{}{}_{}^{}{}_{}^{}}$ X ${\displaystyle B_{}^{}{}_{}^{}}$)$$$_{C}^{A}\otimes\otimes_{X}^{C$

신뢰 네트워크는 정보원의 신뢰성을 나타낼 수 있으며, 정보원이 정보를 제공하는 변수에 대한 주관적인 의견을 결정하기 위해 사용할 수 있습니다.

Evidence-based 주관적인 논리(EBSL)[4]이 의견(할인)의 타동성 증거들은 의견을 내부에 근력 운동을 적용하여 처리하는 것은 다른 trust-network 계산에 대해 묘사한다.

주관적 베이지안 네트워크

그 베이즈 네트워크 아래에서, X{\displaystyle X\,\!}, Y{\displaystyle Y\,\!} 있parent 변수와 Z{\displaystyle Z\,\!}는 아이에게 변수이다.그 한계 의견이 파생된 공제를 연산자 적용할 ω Z‖ XY{\displaystyle \omega_{Z\ XY}그 분석가 ω ZXY{\displaystyle \omega_{ZXY}}}가변 Z{Z\displaystyle}에 관한 공동 조건부 의견의 집합을 배워야 한다.조건부 의견들이 부모 변수와 아이가 변수 사이에 조건부 관계 표방한다.

그deduced 의견ω Z로 계산됩니다. ‖ XY)ω ZXY⊚}XY{\displaystyle \omega_{Z\ XY}=\omega _{ZXY}\circledcirc \omega _{XY}ω.공동 증거 의견 XYω{\displaystyle \omega_{XY}}X{\displaystyle X\,\!}, Y{\displaystyle Y\,\!}, 또는 부분적으로 의존하고 증거 의견의 합동 제품으로 대한 독립적인 증거들의 의견이 제품으로 계산될 수 있다.

주관적 네트워크

주관적인 신뢰 네트워크와 주관적인 베이지안 네트워크의 조합은 주관적인 네트워크입니다.주관적 신뢰 네트워크는 아래 그림과 같이 주관적 베이지안 네트워크에 대한 입력 의견으로 사용되는 의견을 다양한 소스로부터 얻기 위해 사용될 수 있습니다.

전통적인 베이지안 네트워크는 일반적으로 소스의 신뢰성을 고려하지 않습니다.주관적인 네트워크에서는, 송신원으로부터의 신뢰성이 명시적으로 고려됩니다.

레퍼런스

외부 링크

• Audun Jösang의 주관적 논리
• 신뢰평가의 주관적 논리연산자에 기초한 주관적 논리실험 프레임워크: F에 의한 경험적 연구Cerutti, L. M. Kaplan, T. J. Norman, N. Oren 및 A.토니올로