逻辑与推理

逻辑与推理¶

知识图谱
由有向图构成，每个结点表示客观世界的一个实体，结点间的连线表示关系

归纳学习

FOIL算法概述
输入：目标谓词、目标谓词的训练样例
目标谓词是需要推断规则的结论，也称为规则头

为了学习推理规则，需要构造目标谓词的训练样例：

还需要其他背景知识：背景知识来自知识图谱中目标谓词以外的其他谓词实例化结果

FOIL算法思路
从一般到特殊，逐一添加前提约束词
推理结束：覆盖所有样本正例而不覆盖任意反例，展示了”归纳学习“的能力；在学到推理规则后，再为规则赋值经过”演绎“得到新知识。

FOIL信息增益

用于判断增加后质量的好坏

路径排序算法
是一种利用标注数据的监督学习。

概率图的定义
两个结点之间存在边，可视为两个结点之前有不一定100%发生的影响。
基于概率图的推理即为概率推理。

概率图模型的分类

贝叶斯网络：用一个有向无环图表示。有向边表示结点之间的单向概率依赖
- 贝叶斯网络满足局部马尔可夫性，即在给定一个结点的父节点的情况下，该父节点有条件地独立于他的非后代结点
马尔可夫网络：无向边表示节点和结点之间的相互概率依赖

克服辛普森悖论

因果关联：存在因果关系
混淆关联：待研究的两个变量存在共同的原因变量：性别会影响到患者吃药与否以及恢复速率，忽略性别，则吃药与否和回复率间就存在混淆关联；这种相关会随外界因素变化而变化
选择关联：待研究的两个变量存在共同的结果变量；这种相关会随外界因素变化而变化

因果分析的两种理论框架

潜在结果框架
结构因果模型（因果图）
- 结构因果图是一种有向无环图（DAG），DAG刻画了图中所有结点之间的依赖关系，可用于描述数据的生成机制。这样描述变量联合分布或数据生成机制的模型被称为贝叶斯网络

因果图
因果图的优势：易于计算变量的联合概率

找规律即可。

因果干预与do算子