JPH03149624A - 推論システム - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 １目次） 概要 産業上の利用分野 従来の技術（第５図） 発明が解決しようとする課題 課題を解決するための手段（第１図） 作用（第１図） 実施例（第２図〜第４図） 発明の効果 〔概要〕 推論システムに関し、 仮説としての確率分布の割り振り方を改善して、より人
間の直感に近い形で、推論処理ができるようにすること
を１的とし、 Ｉ）ＳＦＩ輪番こ基づき、不確実な知識の表現である仮
説の確率を、それぞれ下界確率によって割り振り、疑似
確率を求めて前記仮説を結合することにより、推論処理
を実行する推論システムにおいて、知識ペニスを格納し
たファイルと、仮説データ格納用メモリと、ノードレジ
スタと、ノード比較器と、ノード合成器と、推論エンジ
ンとを設け、推論エンジンを起動することにより、下界
確率によって割り振られた確率分布を有する複数の仮説
データを取り出して結合処理を行うことにより、ｔｉＥ
論処理後の仮説データが得られるように構成する。

〔産業上の利川分野〕 本発明は推論システムに関し、更に詳しくいえば、各種
の診断装置など、人工知能を備えた情報処理装置等に用
いられ、特に、不確実な知識を、人間の直感に近い形で
表現して推論を行い、より優れた推論ができるようにし
た推論システムに関する。

〔従来の技術〕

従来、人工知能を備えた各種の情報処理装置等が知られ
ていた。前記の人工知能として、不確実な知識等に基づ
いて推論を行うシステムがある。

このような推論システムでは、対象とする問題が真偽の
２値のみでは表せず、また確定できない知識や事実を扱
う必要があるため、推論しなければならない場合がある
。そのような場合には、例えば７０％正しいというよう
な形で表された仮説の確率を扱うことが必要になる。

従来、このような不確実性を扱う方法として、仮説集合
の全ての部分集合に確率を付与できるようにしたＤ　Ｓ
　（ＤｅｍｐｓＬｅｒ−Ｓｈａｆｅｒ）理論の方法が、
数学的な裏付けのある方法として広く支持されている。

上記のＤＳ理論では、確率を付与する対象の個体（仮説
の最小単位）の集合を定め（Ａｏとする）、その部分集
合Ａｉ（ｉ＝ｏ、１　、２−）に対して確率を割り振る
。これを基本確率と呼び、この基本確率の和はｌでなけ
ればならない。

以下、部分集合Ｓと確率値Ｐのベアをノードと呼び、＜
ｓ、ｐ＞の形で表す、また、仮説はノードの集合として
表現でき、集合Ｓに割り振られた確率値をＰ　（Ｓ）と
記述する。

上記のＤＳ理論で、例えば「ＡかＢかＣが起きている可
能性が８０％あって、その内Ｂが起きている可能性が高
くて６０％あるＪということを記述すると、次のように
なる。

＜　｛Ａ、Ｂ％Ｃ｝、０−２＞ ＜　（８）　、０．６＞ 第５図は、ＤＳｔｌ論の結合法３ｍ、ｊｌの説明図であ
り、以下この図に基づいて説明する。

上記のように、現在確率を扱う方法の中で、数学的な根
拠を持つものとして支持されているＤＳ理論の特徴は、
集合に対しても確率を割り当てることができることであ
る。

今、上記集合ＡＯの部分集合Ａｉに割り振られる確率を
ｍ−（Ａｉ）とすると、この時ｍは次の条件を満たす。

Σｍ　（Ａｉ）　−１（ｉ＝ｏ、ｌ、２−）例えば、集
合Ａｏ＝　（ａ、ｂ、ｃ、ｄ）とすると、 ｍ　（（ａ、ｂ、ｃ、ｄ））　−０，５ｍ　（（ａ、　
　ｂ）　Ｊ　＝０．２ ｍ　（（ｃ、ｄ）　）７０．３というのは、１つの確率
の割り当てである。

また、ｍ　（（ａ））＝１というのは、ａであることが
確定した状態を表し、ｍ（（ａ、ｂ、ｃ、ｄ））＝１と
いうのは、全くわからない状態を表している。

次に、２つの確率分布を結合する法則としては、次のよ
うな法則がある。

この法則を用いて図示の仮説イ（確率分布）と仮説口（
ｉｉ￥一分布）から仮説八を推論（仮説イと口を結合）
すると次のようになる。

仮説イの確率分布は、 ｍ　（（ａ、ｂ、ｃ、ｄ））　−０，５ｍ　（（ａ、　
ｂ）　）　＝Ｏ−２ ｍ　（（ｃ、　ｄ））　−〇−３であり、また、仮説１
］の確率分布は ｍ（（ａ％ｂ、ｃ、ｄ））＝Ｏ−２ ｍ　（｛ａ、　ｃ｝　）　＝Ｏ−５ ｍ　（（ｂ）　）　−０，３である。

そこで上記の法則を適用して推論をすると、仮説への確
率分布は次のようになる。

ｓ（（ａ、ｂ、ｃ、ｄ　）　）−０，２・０．２／（１
−０，３・０．３）　＝Ｏ−１１ｍ（（ａ、ｂ　）　）
　＝Ｏ−２・０．２／（１−０−３−０−３）＝Ｏ−０
４ｍ（（ａ、ｃ　）　）　＝０．５　・０．５／（１−
０，３・０−３）　−０，２８ｍ（（ｃ、ｄ　）　）　
−０，３−０，２／（１−０，３−０，３）　−０，０
７ｍ（（ａ　））　　＝０．２　・Ｏ−５／（１−０，
３−０，３）−０，１１■（（ｂ　）　）　−ｏ、２−
０−３　＋Ｏ−５・０．３／（１−０，３・０．３）＝
０．２３ 鵬（（ｃ））＝０．３・０．５／（１−０，３−０−３
）＝０．１にのように、一般にはＤＳ理論では集合の要
素の数をｎとすると、最大で２ｎ個の集合に対して確率
を割り当てることになり、計算の効率が悪いことが指摘
されている。

〔発明が解決しようとする課題〕

上記のような従来のＤＳ理論では、基本確率を割り振る
時に、総和が１になるように考慮しなければならず、ま
た、基本確率の概念自体が人間の直感に合っていない。

したがって、知識ベースヘデ〜りを人力する際、確率値
の割り振りができない場合もあり、また、仮りに確率値
の割り振りができたとしても、不適切な場合がある。

このため、上記の知識ベースに基づいて仮説から推論を
行っても、適切な結果が得られず、人間の直感とも合わ
ない結論となるなど、多くの欠点があった。

本発明は、このような従来の欠点を解消し、仮説として
の確率分布の割り振り方を改善して、より人間の直感に
近い形で推論処理ができるようにすることを目的とする
。

〔課題を解決するための手段〕

第１図は本発明の原理図であり、図中３．は推論エンジ
ン、４はファイル（知識ベース）、５はノード比較器、
６はノード合成器、８は仮説Ａデータ格納用メモリ、９
は仮説Ｂデータ格納用メモリ、ＩＯは仮説Ｃデータ格納
用メモリ、１１はノードレジスタ（Ａ）、１２はノード
レジスタ（Ｂ）、１３はノードレジスタ（Ｃ）を示す。

本発明の推論システムは、Ｄ　Ｓ　（ＤｅｓｐｓＬｅｒ
−Ｓｈ、Ｉｒｅｒ）理論に基づいて不確実な知識を扱う
もので元り、ＤＳ理論による下界確率によって確率の割
り振りを行い、推論処理を実行するシステムである。

推論処理の原理は、知識ベースとして蓄えられた仮説Ａ
と仮説Ｂに基づいて仮説Ｃを推論するものである。この
場合、前記の各仮説は、下界確率によって割り振られた
確率分布を有しており、両仮説を結合することにより推
論処理を実行する。

また、前記両仮説の結合に際して適切な確率がなければ
疑似確率を求めて推論を実行する。

上記の推論処理を実行するために、それぞれ下界確率に
よって割り振られた確率分布を有する多数の仮説データ
から成る知識ベースを格納したファイル４と、このファ
イル４から取り出した仮説データを格納する仮説データ
格納用メモリ（仮説Ａデータ格納用メモリ８、仮説Ｂデ
ータ格納用メモリ９など、−ａ的にはＮ個のメモリ）と
、推論処理後の仮説データ（仮説Ｃデータ）を格納する
仮説Ｃデータ格納用メモリＩＯを設ける。

また、推論処理中のノードデータを一時的に格納するノ
ードレジスタ（Ａ）ｌ　１、ノードレジスタ（Ｂ）１２
、ノードレジスタ（Ｃ）１３と、疑似確率処理（疑似確
率を求める処理）過程において、前記ノードレジスタの
ノードを比較処理するノード比較器５と、疑似確率処理
過程、及び仮説の結合処理過程において、上記ノードレ
ジスタ内のノードの結合処理を実行するノード合成器６
と、推論処理及び上記各部の制御を行う推論エンジン３
とを設ける。

このような構成で、外部からｌＩＩ論エンジン３を起動
すると、下界確率によって割り振られた確率分布を有す
る複数の仮説データを取り出して結合処理を行い、推論
処理後の仮説データを得るものである。

ところで、上記従来のＤＳ理論によれば、八ｏ＝　（ａ
、ｂ、、ｃ％ｄ）について、例えば次のように記述して
いた。

ｍ　（（ａ、ｂ、ｃ、ｄ））＝Ｏ−２ ｍ　（（ａ、　ｂ）　）　＝０．７ ｍ　（ｉａ、　ｃ）　）　＝０．１ この場合、確率の和は当然Ｉである。しかし、この仮説
の意味は人間の直感に合わず、分かりにくいことは上述
した通りである。

そこで本発明では、ある部分集合八に割り振られた確率
の意味をＡの全ての部分集合（Ａを含む）に対する基本
確率の和であるとする。

この概念はＤＳ理論では、「下界確率」と呼ばれている
。この下界確率によって確率の割り振りを行うと、基本
確率における総和が１というような制約がなくなる。ま
たこの方が人間の直感に近いものである。

下界確率をｐ　（ｓ）とすると、ｐ　（ｓ）は例えば、 Ｉ（（ａ、ｂ、ｃ、ｄ、ｅ））＝１ Ｐ（（ａ、ｂ、ｃ、ｄ））＝１ Ｐ　（（ａ、　ｂ）　）　＝０．７ Ｐ　（（ａ、ｃ）　）＝Ｏ，ｌのように記述する。

このようにすれば、ａ、ｂ、ｃ、ｄのいずれかが確実に
起きていて（すなわちＣではない）、その中でもａかｂ
の可能性が高い、という事がすぐ分かる。

逆に言うと、確率を記述する時も、この下界確率で記述
する方がし易い。

例えば、ＡかＢかＣが起きている可能性が８０％あって
、その内Ｂが起きている可能性が高くて６０％ある、と
いうことを下界確率に従って記述すると次のようになる
。

＜　（Ａ、Ｂ、Ｃ）　、０．８＞ ＜　｛８）　、０．６＞ この式における制約は、Ｏ＜＝Ｐ　（Ｓ）＜＝Ｌ及びＳ
　ｌ　＜＝Ｓ２の時Ｐ　（Ｓ　ｌ）　＜−Ｐ　（Ｓ２）
である。

本発明においては、下界確率で記述された複数の仮説を
結合する結合剤（ＤｅｓｐｓＬｅｒの結合規則）を新た
に定義する。この結合剤の特徴は、元の仮説にないノー
ドが出現しないことである。

そこで、上記結合剤を適用するに当たり、疑似確率を求
める必要がある。疑似確率を求めるには、次のアルゴリ
ズムによる。

集合Ｓに対する疑似確率Ｐを求める場合、仮説中で、Ｓ
２＜Ｓ３＜＝ＳなるＳ３が仮説中に存在しない、という
条件を満たすノード＜３２、Ｐ２〉を全て求め、集めた
ノードの確率値から次のようにして疑似確率を求める。

（１）ノードが存在しない時の、疑似確率Ｐは、Ｐ＝Ｏ
とする。

セ）　ノードが１つの時は、そのノード値を疑似確率と
する。

（３）ノードが２つの時は、Ｐ＝Ｐ１＋Ｐ２−ＰＩＸＰ
２　（但しＰＩ、Ｐ２は各ノードの確率値）を結合して
求める。

（４）ノードが３つ以上の時は、（３）で示した式を繰
返して適用する。

また、仮説の結合に際しては、次のアルゴリズムを適用
して実行する。

（１）　　結合する両方の仮説の全てのノードについて
、以下の処理を行う。

（２）両方の仮説に同じ集合に対するノードがある時は
、どちらか片方だけ適用する。

（３）　　選んだノードを＜ｓ、ｐｔ＞とし、そのノー
ドが存在する仮説を仮説Ａ、もう一方の仮説を仮説Ｂと
する。

この時、仮説Ｂにおける集合Ｓに対する疑似確率Ｐ２を
求める。

（４）新しい仮説における集合Ｓに対する確率値Ｐを、
Ｐ＝ＰｌモＰ２−ＰＩＸＰ２とする。

今、下界確率により確率の肩り振りをした仮説Ａ、Ｂを
次のようなものとする。

仮諜Ａ ＜　｛Ａ、Ｂ、Ｃ）　、０．８＞ ＜　｛Ｂ｝　、（Ｌ６＞ 仮説Ｂ ＜　（Ｂ、Ｃ，Ｄ）、０．７＞ く｛八、Ｃ｝、０．５＞ ＜１８｝、０．３＞ 上記仮説Ｂにおける集合（Ａ、Ｂ、Ｃ）に対する疑似確
率は、０．５　＋Ｌ　３−０．５　Ｘ０．３　＝０．６
５となる。

従って、仮説八と仮説Ｂを結合すると、次のような仮説
となる。

１”（（＾、鰭、Ｃ）　）＝０．８＋０．６５−０−８
×０．６＝Ｏ−９３１”（（Ｂ　、　Ｃ、Ｏ）　）＝Ｏ
−６＋０．７．−Ｑ、６ｒ　Ｏ−？＝Ｏ−８８Ｐ（（Ｂ
　　）　）−（１６＋ｏ−３−０，６ＫＯ−３＝０．７
２Ｐ（（轟、Ｃ）　）＝０．５ 〔作用〕 本発明は上記のように構成したので、外部から推論エン
ジン３を起動すると、該推論エンジン３による推論処理
及び制御に基づいて推論が実行される。

先ず、ファイル４の知識ベースから所定の仮説データを
取り出して、それぞれ該当する仮説データ格納用メモリ
８．９に格納する。

この仮説データ格納用メモリから１つのノードを取り出
し、ノードレジスタヘー時的に格納し、その後、ノード
合成器６によって仮説の結合を行い推論処理を実行する
。

この場合、確率値の割り振りがないものについてはノー
ド比較器５やノード合成器６を用いて疑ａｍ率を求めて
から推論処理を実行する。このような処理を繰返して実
行し、推論結果である仮説は、ファイル４内の知識ベー
スに追加される。

上記の仮説は、それぞれＤＳ理論による下界確率によっ
て割り振られた確率値を有するから、総和が１にならな
くてもよく、人間の直感に合った形で表現でき、かつ、
常に適切な推論処理が行えるものである。

〔実施例〕

以下、本発明の実施例を図面に基づいて説明する。

第２図は、本発明の１実施例のブロック図であり、図中
１は入力部、２は表示部、３は推論エンジン、４はファ
イル（知識ベース）、５はノード比較器、６はノード合
成器、７は判定フラグ、８は仮説Ａデータ格納用メモリ
、９は仮説Ｂデータ格納用メモリ、ｌＯは仮説Ｃデータ
格納用メモリ、１１はノードレジスタ（Ａ）、１２はノ
ードレジスタ（Ｂ）、１３はノードレジスタ（Ｃ）を示
す。

入力部ｌは、キーボードなどで構成され、推論エンジン
３に対して各種の処理の指示やデータ等を出力したり、
ファイル４ヘデータ等を入力する。

ファイル４には、予め知識ベースとして各種のデータを
蓄積しておき、このデータを取り出して推論を実行する
。また推論エンジン３は、ノード比較器５、ノード合成
器６、ファイル４など、各部の処理を指示したり、制御
したりして推論処理を実行すると共に、表示部２へ推論
結果のデータを送出したりする。

ノード比較器５は、疑似確率処理中にノードレジスタ（
Ａ）１１とノードレジスタ（Ｂ）１２のデータを比較し
、その結果により判定フラグ７にフラグを立てて推論エ
ンジン３に知らせる。ノード合成器６では、ノードレジ
スタ（Ａ）１１とノードレジスタ（Ｂ）１２のデータを
合成して推論結果を出すが、その際、必要に応じて疑似
確率を求める処理も実行するものである。

第３図は、上記実施例における疑似確率処理のフローチ
ャートであり、以下この図に基づいて疑（Ｇｌ確率処理
の動作を説明する。

先ず、対象となる仮説を仮説Ａデータ格納用メモリ８へ
格納し、疑似確率を求めようとする）−ドをノードレジ
スタ（Ａ）１１に格納しく１２０）、仮説Ａデータ格納
用メモリ８中の全てのノードについて処理を終了したか
否かを判断する（１２１）。

その結果、処理が終了していなければ、仮説Ｃデータ格
納用メモリ８から１つ仮説を取り出してノー　ドレジス
タ（Ｂ）１２に格納しく１２３）、ノルドレジスタ（Ａ
）１１とノードレジスタ（Ｂ）１２のデータをノード比
較器５へ送って両者のデータの比較を行う（１２４）。

その結果、ノー　ドレジスタ（八）のデータがノードレ
ジスタ（Ｂ）のデータより太き（なければ（１２５）、
全てのノードについて処理を行うが、もし、ノードレジ
スタ（Ａ）１１のデりがノードレジスタ（Ｂ）１２のデ
ータよりも大きければ、仮説Ｃデータ格納川メモリＩＯ
の全てのノードについて処理を行ったか否かを判断する
（１２６）。

その結果、全ての処理が終了していれば、ノードレジス
タ（Ｂ）１２の内容を仮説Ｃデータ格納川メモリｌＯへ
送って追加し、（１２７）、仮説Ｃデータ格納用メモリ
ｌＯから１つ仮説を取り出してノードレジスタ（Ｃ）１
３に格納する（１２８）。

また、上記全ての処理が終了していない場合（１２６）
も上記と同様にしてノードレジスタ（Ｃ）１３にデータ
を格納する。

その後、ノードレジスタ（Ｂ）１２とノードレジスタ（
Ｃ）１３のデータをノード比較器５へ送り比較を行う（
１２９）。

その結果、ノードレジスタ（Ｃ）１３のデータがノード
レジスタ（Ｂ）１２のデータより大きければ（１３０）
　、上記処理１２１へ戻って処理を行う（へ）。

又、ノードレジスタ（Ｂ）１２のデータがノードレジス
タ（Ｃ）１３のデータより大きければ、ノードレジスタ
（Ｃ）１３の内容を仮説Ｃデータ格納用メモリｌＯから
消去しくＬ３１）、上記処理１２６へ戻る（ホ）、更に
、上記１３０での比較結果がその他の場合も上記処理１
２６へ戻る。

上記１２１での処理において、全てのノードについて処
理が終了していれば、仮説Ｃデータ格納用メモリＩＯか
ら１つ仮説を取り出して、ノードレジスタ（Ａ）ｌｌ＆
１ｍ格納しく１３２）、仮説Ｃデータ格納用メモリｌＯ
の全てのノードについて処理が終了したか否かの判断を
する（１３３）。

その結果、仮説Ｃデータ格納用メモリｌＯから１つノー
ドを取り出して、ノードレジスタ（Ｂ）１２に格納しく
１３４）、ノードレジスタ（Ａ）１１のデータと、ノー
ドレジスタ（Ｂ）１２のデータをノード合成器６へ送っ
て合成し、その合成結果をノードレジスタ（Ａ）１１に
格納しく１３５）、上記処理１３３に戻る。

また、上記処理１３３において、全てのノードについて
処理が終了していれば、ノードレジスタ（Ａ）１１の内
容が疑似確率値となっており（１３６）、処理を終了す
る。

第４図は、上記実施例における推論処理のフローチャー
トであり、以下この図に基づいて推論処理の動作を説明
する。

人力部１から推論エンジン３に対して推論処理の指示を
送出すると、推論処理が開始される。

先ず、推論エンジン３からの指示により、ファイル４内
に予め蓄積されている知識ベースのデータから仮説Ａの
データを取り出し、仮説Ａデータ格納用メモリ８に格納
する（１００）と共に、仮説Ｂのデータも取り出して、
仮説Ｂデータ格納用メモリ９へ格納する（１０１）。

次に、仮説Ｃデータ格納用メモリＩＯをクリアしく１０
２）、続いて推論エンジン３により、仮説Ａの全てのノ
ードについて処理が終わったかどうかの判断をする（１
０３）。

その結果、処理が終わっていなければ、仮説Ａデータ格
納用メモリ８から１つノードを取り出してノードレジス
タ（Ａ）１１に格納しく１０４）、更に、ノードＡに対
する仮説Ｂの疑似確率を求め（疑似確率は別ルーチンで
処理）、ノードレジスタ（Ｂ）１２に格納する（１０５
）。

次に、ノードレジスタ（Ａ）１１とノードレジスタ（Ｂ
）１２のデータを取り出してノード合成器６へ送り、両
者を合成し、その結果のデータを仮説Ｃデータ格納用メ
モリＩＯへ送り、仮説Ｃへ追加する（１０６）、　　 これらの動作を繰返して行い、仮説Ａの全てのノードに
ついて処理が終了すると（１０３）、仮説Ｂの全てのノ
ードについて処理が終了したか否かの判断を行い（１０
７）、もし終っていなければ、仮説Ｃデータ格納用メモ
リ９から１つノードを取り出して、ノードレジスタ（Ｂ
）１２に格納する（１０Ｂ）。

次に、ノードＡに対する仮説Ｂの疑似確率を別ルーチン
で求め、ノードレジスタ（Ａ）１１に格納しく１０９）
、ノードレジスタ（八）ｌｌとノードレジスタ（Ｂ）１
２のデータをノード合成器６へ送り、合成して、その結
果を仮説Ｃデータ格納川メモリｌＯへ送って仮説Ｃに追
加する（ｌｌＯ）。

これらの動作を繰返して実行し、仮説Ｂの全てのノード
について処理が終了すると（１０７）、合成された仮説
データ格納川メモリＩＯのデータラフアイル４へ送り知
識ベースとして追加して（１１１）処理を終了する。

〔発明の効果〕

以上説明したように、本発明によれば次のような効果が
ある。

（１）　　！ｉ率値を割り振る際に、総和が１になると
いう条件もなく、人間の直感に近い形で、確率値を割り
振ることができる。

また、仮説同士の結合も行うことができる。

（２３知識ベースへデータを入力する際、確率値の割り
振りが常に適切になされるから、そのデータに基づいて
推論を行った場合に、人間の直感に合った推論結果を得
ることが可能となる。

【図面の簡単な説明】

第１図は本発明に係る推論システムの原理図、第２図は
本発明の１実施例のブロック図、第３図は上記実施例に
おける疑似確率処理のフローチャート、 第４図は上記実施例における推論処理のフローチャート
、 第５図は従来のＤＳ理論における結合法則の説明図であ
る。 ３−推論エンジン ４−ファイル（知識ベース） ５−ノード比較器 ６−ノード合成器

Claims (1)

1. 【特許請求の範囲】 ＤＳ理論に基づき、不確実な知識の表現である仮説の確
   率を、それぞれ下界確率によって割り振り、疑似確率を
   求めて前記仮説を結合することにより、推論処理を実行
   する推論システムにおいて、それぞれ、下界確率によっ
   て割り振られた確率分布を有する、多数の仮説データか
   ら成る知識ベースを格納したファイル（４）と、 前記ファイル（４）から取り出した仮説データを格納す
   る仮説データ格納用メモリ（８、９）と、推論処理後の
   仮説データを格納する仮説データ格納用メモリ（１０）
   と、 推論処理中のノードデータを一時的に格納するノードレ
   ジスタ（１１、１２、１３）と、疑似確率処理過程にお
   いて、前記ノードレジスタのノードを比較処理するノー
   ド比較器（５）と、疑似確率処理過程、及び仮説の結合
   処理過程において、上記ノードレジスタ内のノードの結
   合処理を実行するノード合成器（６）と、 推論処理及び上記各部の制御を行う推論エンジン（３）
   とを設け、 前記推論エンジンを起動することにより、下界確率によ
   って割り振られた確率分布を有する複数の仮説データを
   取り出して結合処理を行うことにより、推論処理後の仮
   説データが得られるようにしたことを特徴とする推論シ
   ステム。