A Formal Framework for Knowledge Acquisition: Going beyond Machine Learning

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: (WFRF:(Rao J. Sunil)) > A Formal Framework ...

Hössjer, Ola,1964-Stockholms universitet,Matematiska institutionen (författare)

A Formal Framework for Knowledge Acquisition : Going beyond Machine Learning

Artikel/kapitelEngelska2022

Förlag, utgivningsår, omfång ...

2022-10-14
MDPI AG,2022
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:su-211039
https://urn.kb.se/resolve?urn=urn:nbn:se:su:diva-211039URI
https://doi.org/10.3390/e24101469DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

Philosophers frequently define knowledge as justified, true belief. We built a mathematical framework that makes it possible to define learning (increasing number of true beliefs) and knowledge of an agent in precise ways, by phrasing belief in terms of epistemic probabilities, defined from Bayes’ rule. The degree of true belief is quantified by means of active information I+: a comparison between the degree of belief of the agent and a completely ignorant person. Learning has occurred when either the agent’s strength of belief in a true proposition has increased in comparison with the ignorant person (I+>0), or the strength of belief in a false proposition has decreased (I+<0). Knowledge additionally requires that learning occurs for the right reason, and in this context we introduce a framework of parallel worlds that correspond to parameters of a statistical model. This makes it possible to interpret learning as a hypothesis test for such a model, whereas knowledge acquisition additionally requires estimation of a true world parameter. Our framework of learning and knowledge acquisition is a hybrid between frequentism and Bayesianism. It can be generalized to a sequential setting, where information and data are updated over time. The theory is illustrated using examples of coin tossing, historical and future events, replication of studies, and causal inference. It can also be used to pinpoint shortcomings of machine learning, where typically learning rather than knowledge acquisition is in focus.

Ämnesord och genrebeteckningar

NATURVETENSKAP Data- och informationsvetenskap hsv//swe
NATURAL SCIENCES Computer and Information Sciences hsv//eng
NATURVETENSKAP Matematik hsv//swe
NATURAL SCIENCES Mathematics hsv//eng
HUMANIORA Filosofi, etik och religion hsv//swe
HUMANITIES Philosophy, Ethics and Religion hsv//eng
active information
Bayes' rule
counterfactuals
epistemic probability
learning
justified true belief
knowledge acquisition
replication studies

Biuppslag (personer, institutioner, konferenser, titlar ...)

Díaz-Pachón, Daniel Andrés (författare)
Rao, J. Sunil (författare)
Stockholms universitetMatematiska institutionen (creator_code:org_t)

Sammanhörande titlar

Ingår i:Entropy: MDPI AG24:101099-4300

Internetlänk

Hitta via bibliotek

Entropy (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...: Hössjer, Ola, 19 ...; Díaz-Pachón, Dan ...; Rao, J. Sunil

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...

NATURVETENSKAP: NATURVETENSKAP; och Matematik

HUMANIORA: HUMANIORA; och Filosofi etik oc ...

Artiklar i publikationen: Entropy

Av lärosätet: Stockholms universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se