首页 > 其他分享 >确定性推理

确定性推理

时间:2024-06-03 18:11:25浏览次数:10  
标签:tau 量词 归结 mapsto 确定性 谓词 子句 推理

Ch3 确定性推理

是指按照某种策略已知事实出发去推出结论的过程。

  • 推理策略
    主要解决推理方向、冲突消解等问题,如推理方向控制策略、求解策略、限制策略、冲突消解策略等
  • 搜索策略
    主要解决推理线路、推理效果、推理效率等问题。

推理的逻辑基础

  • 解释:对于谓词公式\(P\),如果对其中的常元指派一个元素,变元指派一个集合,每一个 n 元函数指派一个映射,一个 n 元谓词指派一个映射,则称为谓词公式的解释

    可以看出,一个谓词公式有很多种解释,而每种解释都对应一个真值。

  • 永真:如果一个谓词公式对非空个体域\(D\)所有解释下都为真,则称为永真。

  • 可满足:如果一个谓词公式对某个非空个体域\(D\)的某个解释下为真,则称为可满足。谓词公式的可满足性也称为相容性

  • 等价:如果两个谓词公式在某个个体域\(D\)的所有解释下都有相同的真值,则称为等价。

  • 前束范式:如果一个谓词公式的量词部分均非否定地只出现在公式的最前面,则称为前束范式。

    例: \(\forall x \exists y P(x,y) \land Q(x)\) 是前束范式

  • Skolem 范式:如果一个谓词公式的量词部分均非否定地只出现在公式的最前面,且所有的存在量词都在全称量词之前,则称为 Skolem 范式。

    例: \(\exist y \forall x P(x,y) \land Q(x)\)

  • 置换: 可以简单理解为在一个谓词公式中使用置换项替换变元。是形如${ t_1/x_1, \dots, t_n/x_n } $的有限集合,其中 \(t_i\) 是项,\(x_i\) 是互不相同的变元。要求 \(t_i\) 中不包含 \(x_i\), \(x_i\) 也不在 \(t_j\) 中出现。

    例如:\(P(x,y) \land Q(x) \{ a/x, b/y \} = P(a,b) \land Q(a)\)
    置换的得到的新的公式可以被称作例示,是原公式的逻辑结论

  • 置换的合成:假设我们有两个置换 (\sigma) 和 (\tau),它们分别将某些变量映射到某些项。置换 (\sigma) 和 (\tau) 的合成记作 (\sigma \circ \tau),表示先应用置换 (\tau),然后再应用置换 (\sigma)。

    如果 (\sigma = {x_1 \mapsto t_1, x_2 \mapsto t_2, \ldots, x_n \mapsto t_n}) 和 (\tau = {y_1 \mapsto s_1, y_2 \mapsto s_2, \ldots, y_m \mapsto s_m}),那么合成置换 (\sigma \circ \tau) 是一个新的置换,它将每个变量 (x) 映射到 (\sigma(\tau(x)))。

    示例

    假设有两个置换:

    • (\sigma = {x \mapsto a, z \mapsto b})
    • (\tau = {y \mapsto x, z \mapsto f(x)})

    将这两个置换合成得到 (\sigma \circ \tau):

    1. 先应用 (\tau):对于任意变量 (v),将其替换为 (\tau(v))
    • (y) 被替换为 (x)
    • (z) 被替换为 (f(x))
    1. 再应用 (\sigma):将 (\tau(v)) 中的变量继续替换为 (\sigma) 中对应的值
    • (x) 被替换为 (a)
    • (f(x)) 中的 (x) 被替换为 (a),得到 (f(a))

    因此,合成置换 (\sigma \circ \tau = {y \mapsto a, z \mapsto f(a)})。

  • 合一: 是指两个项之间的一种特殊的置换,使得这两个项在这个置换下相等。合一是一种特殊的置换,它将两个项映射到相同的值。

    例如,假设有两个项 (f(x, y)) 和 (f(a, b))。这两个项可以通过合一 ({x \mapsto a, y \mapsto b}) 相等。

    示例

    假设有两个项 (f(x, y)) 和 (f(a, b))。这两个项可以通过合一 ({x \mapsto a, y \mapsto b}) 相等。

    合一的另一个示例是 (f(x, g(y))) 和 (f(a, g(b)))。这两个项可以通过合一 ({x \mapsto a, y \mapsto b}) 相等。

自然演绎推理

从一组已知为真的事实出发,直接运用经典逻辑中的推理规 则推出结论的过程称为自然演绎推理

归结演绎推理

在人工智能中,几乎所有的问题都可以转化为一个定理证明问题。定理证明的实质,就是要对前提 P 和结论 Q,证明 P→Q 永真。

证明永真非常困难,因此我们通常采用反证法,即证明 \(P \land \lnot Q\)不可满足。这样,我们就可以通过归结演绎推理来证明 \(P \to Q\)。

子句和子句集

  • 子句:是一个或多个文字的析取,其中每个文字都是一个谓词符号或其否定。

    例如,\(P(x) \lor Q(y)\) 是一个子句,\(P(x) \lor Q(y) \lor R(z)\) 也是一个子句。

  • 空子句:不包含任何文字的子句,通常用符号 \(\square\) 表示。

  • 子句集:子句的集合

子句集的化简

对每一个子句,我们要将其化为所有全是全称量词的前束范式,随后消去全称量词。

如果有存在量词被全称量词约束,我们可以使用 Skolem 函数将其消去。

同时要消去全称量词,由于母式中的全部变元均受全称量词的约束,并且全称量词的次序已无关紧要,因此可以省掉全称量词。但剩下的母式,仍假设其变元是被全称量词量化的

随后将合取范式中的每一个子句拆分,得到一个子句集。

鲁滨逊归结原理

由于在消去存在量词时所用的 Skolem 函数可以不同,因此化简后的标准子句集是不唯一的

但当原谓词公式为永假(或不可满足)时,其标准子句集则一定是永假的,即 Skolem 化并不影响原谓词公式的永假性


定理 3.1 设有谓词公式 F,其标准子句集为 S,则 F 为不可满足的充要条件是 S 为不可满足的


两个关键:

  • 第一,子句集中的子句之间是合取关系。因此,子句集中只要有一个子句为不可满足,则整个子句集就是不可满足的;
  • 第二,规定空子句是不可满足的。因此,一个子句集中如果包含有空子句,则此子句集就一定是不可满足的。

归结式:设 C1 和 C2 是子句集中的任意两个子句,如果 C1 中的文字 L1 与 C2 中的文字 L2 互补,那么可从 C1 和 C2 中分别消去 L1 和 L2,并将 C1 和 C2 中余下的部分按析取关系构成一个新的子句 C12

定理 3.2 归结式 C12 是其亲本子句 C1 和 C2 的逻辑结论, 即如果 C1, C2 关于解释 I 为真,则 C12 也为真

推论 1:设 C1 和 C2 是子句集 S 中的两个子句,C12 是 C1 和 C2 的归结式,若用 C12 代替 C1 和 C2 后得到新的子句集 S1,则由 S1 的不可满足性可以推出原子句集 S 的不可满足性。即:S1 的不可满足性 ⇒ S 的不可满足性

推论 2:设 C1 和 C2 是子句集 S 中的两个子句,C12 是 C1 和 C2 的归结式,若把 C12 加入 S 中得到新的子句集 S2,则 S 与 S2 的不可满足性是等价的。即:S2 的不可满足性 ⇔S 的不可满足性


定理 3.3 子句集 S 是不可满足的,当且仅当存在一个从 S 到空子句的归结过程


有了上述定理,我们可以将结论的否定加入子句集,然后通过归结过程来证明蕴含式的正确性。

在谓词逻辑中,由于子句集中的谓词一般都含有变元,因此不能象命题逻辑那样直接消去互补文字。而需要先用一个最一般合一对变元进行代换,然后才能进行归结。

人话:就是将全称量词置换到同一个符号,然后再进行归结。

检测题:
已知
• F: (∀x)((∃y)(A(x, y)∧B(y))→(∃y)(C(y)∧D(x, y)))
• G: ﹁(∃x)C(x)→(∀x)(∀y)(A(x, y)→﹁B(y))
求证 G 是 F 的逻辑结论。

解决复杂问题

某记者到一孤岛采访,遇到了一个难题,即岛上有许多人说假话,因而难以保证新闻报道的正确性,不过有一点他是清楚的,这个岛上的人有一特点:说假话的人从来不说真话,说真话的人也从来不说假话。一次记者遇到了孤岛上的三个人,为了弄清楚谁说真话,谁说假话,他向这三个人中的每一个都提了一个同样的问题,即 “谁是说谎者?”
结果 A 答“B 和 C 都是说谎者”,
B 答“A 和 C 都是说谎者”,
C 答“A 和 B 中至少有一个 是说谎者”

归结策略

归结策略是指在归结过程中,如何选择两个子句进行归结。归结策略的选择直接影响到归结的效率。

  1. 广度优先策略

(1)从 S0 出发,对 S0 中的全部子句作所有可能的归结,得到第一层归结式,把这些归结式的集合记为 S1;
(2) 用 S0 中的子句与 S1 中的子句进行所有可能的归结,得到第二层归结式,把这些归结式的集合记为 S2;
(3) 用 S0 和 S1 中的子句与 S2 中的子句进行所有可能的归
结,得到第三层归结式,把这些归结式的集合记为 S3;
如此继续,直到得出空子句或不能再继续归结为止

当问题有解时,能够保证找到最短的归结路径与解,但是会产生组合爆炸的问题。

  1. 支持集策略

标签:tau,量词,归结,mapsto,确定性,谓词,子句,推理
From: https://www.cnblogs.com/Blackteaxx/p/18229390

相关文章

  • 揭秘《庆余年算法番外篇》续集:范闲通过最大似然法推理找到火烧史家镇的凶手
    揭秘《庆余年算法番外篇》:范闲通过贝叶斯推理找到太子火烧使家镇的证据上次写了这篇文章之后,很多留言说开了上帝视角,先假设了二皇子和太子有罪,这次通过最大似然法进行推导。方法介绍:最大似然法是一种在概率统计中广泛使用的参数估计方法。该方法基于一组已知的样本数据,旨......
  • YOLOv10环境搭建&推理测试
    ​引子两个多月前YOLOv9发布(感兴趣的童鞋可以移步YOLOv9环境搭建&推理测试_yolov9安装-CSDN博客),这才过去这么短的时间,YOLOv10就横空出世了。现在YOLO系列搞得就和追剧一样了。。。OK,那就让我们开始吧。一、模型介绍1、作者提出了一种新颖的一致性双重分配策略,用于无需NMS的YOLO......
  • 《庆余年算法番外篇》:范闲通过贝叶斯推理找到太子火烧史家镇的证据
    剧情背景在《庆余年2》中史家镇是李云睿和二皇子向北齐走私的重要通道,太子派人把史家镇烧成灰烬,最后嫁祸于二皇子,加大范闲对二皇子的恨意,坐收渔翁之利,意图销毁所有证据。范闲接到任务,需要在被毁的镇子里找到蛛丝马迹,通过贝叶斯推理分析这些线索,找出太子犯罪的确凿证据。......
  • LLM 大模型学习必知必会系列(十二):VLLM性能飞跃部署实践:从推理加速到高效部署的全方位
    LLM大模型学习必知必会系列(十二):VLLM性能飞跃部署实践:从推理加速到高效部署的全方位优化[更多内容:XInference/FastChat等框架]训练后的模型会用于推理或者部署。推理即使用模型用输入获得输出的过程,部署是将模型发布到恒定运行的环境中推理的过程。一般来说,LLM的推理可以直接使......
  • LLM 大模型学习必知必会系列(十三):基于SWIFT的VLLM推理加速与部署实战
    LLM大模型学习必知必会系列(十三):基于SWIFT的VLLM推理加速与部署实战1.环境准备GPU设备:A10,3090,V100,A100均可.#设置pip全局镜像(加速下载)pipconfigsetglobal.index-urlhttps://mirrors.aliyun.com/pypi/simple/#安装ms-swiftpipinstall'ms-swift[llm]'-U......
  • 1.1k Star!天工Skywork-13B:性能全面超越LLaMA2、0门槛商用、消费级显卡进行部署和推理!
    原文链接:(更好排版、视频播放、社群交流、最新AI开源项目、AI工具分享都在这个公众号!)1.1kStar!天工Skywork-13B:性能全面超越LLaMA2、0门槛商用、消费级显卡进行部署和推理!......
  • AI大模型的推理显存占用分析
    了解Transformer架构的AI大模型显存占用是非常重要的,特别是在训练和推理过程中。以下是详细解释和分析这些组成部分及其影响的专业描述:1显存占用1.1模型本身参数模型的参数包括所有的权重和偏置项,这些参数需要存储在显存中,以便在训练和推理过程中进行计算。占用字节:每......
  • 基于最新发表的端到端实时目标检测模型YOLOv10开发构建自己的个性化目标检测系统从零
    在我前面的系列博文中,对于目标检测系列的任务写了很多超详细的教程,目的是能够读完文章即可实现自己完整地去开发构建自己的目标检测系统,感兴趣的话可以自行移步阅读:《基于官方YOLOv4-u5【yolov5风格实现】开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》......
  • llamafactory框架下微调llama3-70b推理问题
    问题描述使用llamafactory+npulora微调llama3-70b后,最终推理出现乱码以及不能自动停止生成。如下所示:derrickroseofthechicagobullshasthemostcareerassistsamongplayerswhohaveneverbeennamedtoanall-stargamewith3,339assists.IICIII.џџџ.3......
  • LLM 大模型学习必知必会系列(三):LLM和多模态模型高效推理实践
    LLM大模型学习必知必会系列(三):LLM和多模态模型高效推理实践1.多模态大模型推理LLM的推理流程:多模态的LLM的原理:代码演示:使用ModelScopeNoteBook完成语言大模型,视觉大模型,音频大模型的推理环境配置与安装以下主要演示的模型推理代码可在魔搭社区免费实例PAI-DSW......