Un modello probabilistico a universo aperto (Open-Universe Probability Model, OUPM) è un tipo di modello probabilistico relazionale usato per rappresentare domini per i quali non si conosce in anticipo quanti oggetti esistano, quali relazioni li colleghino o anche quali oggetti siano effettivamente presenti. In questo senso esso estende i modelli probabilistici relazionali tradizionali che, invece, presuppongono un insieme di oggetti (universo) fissato. Nell'ambito della ricerca sui modelli probabilistici relazionali e alle loro estensioni verso contesti in cui l’insieme degli oggetti non è noto a priori, figurano tra i riferimenti-chiave il lavoro su BLOG e le estensioni ai POMDP a universo aperto.
Definizione Un OUPM definisce una distribuzione di probabilità su mondi possibili che possono differire sia per gli oggetti contenuti sia per il modo in cui i simboli del linguaggio si mappano sugli oggetti del mondo. Questa caratteristica lo rende adatto a contesti in cui vale l’assunzione di «universo aperto», cioè quando nuovi oggetti possono comparire durante il processo di generazione o di inferenza.
In letteratura, gli OUPM sono discussi come estensione dei modelli relazionali e sono formalizzati anche in linguaggi probabilistici generativi associati a modelli come BLOG.
Caratteristiche principali Gli OUPM hanno alcune proprietà distintive:
Consentono di rappresentare oggetti latenti, cioè entità non osservate direttamente ma inferibili dai dati. Possono modellare un numero variabile di oggetti, invece di assumere una cardinalità fissa del dominio. Sono adatti a dati incompleti o parzialmente osservati, dove la struttura del mondo non è completamente nota. Supportano inferenza bayesiana sull'esistenza, gli attributi e le relazioni tra oggetti.
Semantica intuitiva L’idea di base è che il modello non si limiti ad assegnare valori probabilistici a variabili associate a oggetti già noti, ma includa anche passaggi generativi capaci di introdurre nuovi oggetti nel mondo possibile. In pratica, oltre alle variabili casuali tradizionali, entrano in gioco anche quantità che rappresentano il numero di oggetti esistenti o potenziali.
Questo approccio è utile perché molti problemi reali non sono «chiusi»: per esempio, in un testo non sappiamo a priori quante persone, eventi o entità siano menzionate; in un sistema di sorveglianza non sappiamo quanti bersagli siano presenti; in un database incompleto non sappiamo quanti oggetti manchino all’appello.
Applicazioni Gli OUPM sono stati proposti per diversi domini applicativi:
Estrazione di informazione da documenti testuali, dove le entità devono essere scoperte insieme alle loro proprietà. Monitoraggio sismico e sicurezza nucleare, con inferenza su eventi e sorgenti non osservati direttamente. Visione artificiale e analisi di scene, dove il numero di oggetti può variare da caso a caso. Pianificazione e decisione sotto incertezza in contesti con oggetti non completamente noti, come nei POMDP a universo aperto.
Vantaggi e limiti Il principale vantaggio degli OUPM è la flessibilità: consentono di modellare mondi realistici senza forzare un dominio chiuso di oggetti. Questo li rende particolarmente potenti nei problemi di ragionamento simbolico-statistico.
Tra i limiti principali ci sono la complessità computazionale dell’inferenza e la necessità di algoritmi specializzati per campionamento e approssimazione. La letteratura recente mostra infatti interesse per metodi MCMC più efficienti e trasformazioni automatiche per l’inferenza in questi modelli.
Confronto con altri modelli Aspetto Modello chiuso OUPM Insieme degli oggetti Fissato in anticipo Variabile e parzialmente ignoto Oggetti latenti Difficili da rappresentare Nativamente supportati Inferenza Più semplice Più costosa ma più espressiva Ambiti tipici Problemi strutturati con dominio noto Testo, visione, sorveglianza, IR, ragionamento relazionale
Esempio concettuale Si immagini di voler modellare articoli e citazioni bibliografiche senza sapere in anticipo quante pubblicazioni esistano nel dataset. Un OUPM può rappresentare sia le proprietà note di una pubblicazione, sia la possibilità che emergano nuove pubblicazioni dedotte dalle citazioni osservate. Questo è uno degli esempi classici usati per spiegare il passaggio da un universo chiuso a uno aperto.
Note
Voci correlate Probabilità bayesiana Programmazione probabilistica Modelli probabilistici relazionali Inferenza MCMC
Categoria:Intelligenza artificiale Categoria:Ragionamento probabilistico