Fuzzy-MAP EM: Addressing Data Scarcity in Sequential Decision-Making through Expert Knowledge Modeling

Marco Locatelli

doi:10.1109/tfuzz.2026.3741932

Fuzzy-MAP EM: Addressing Data Scarcity in Sequential Decision-Making through Expert Knowledge Modeling

2026-10-09

0

OA

AI

Roberto Clemens Cerioli

DOI：10.1109/tfuzz.2026.3741932

原文链接

原文求助

摘要

En 中文

现实世界问题通常具有不确定性和观测数据稀缺的特点，这要求人类专家依赖定性启发式方法和领域知识，而这些知识在标准人工智能流程中很少被明确表达。这一问题在序贯决策问题中尤为明显，这些问题可以自然地用部分可观测马尔可夫决策过程（POMDP）建模，提供了一种概率框架来表示潜在动态、观测和治疗效应。POMDP的参数通常通过数据驱动的期望最大化（EM）算法学习。然而，在数据稀缺的现实领域中，EM算法经常过拟合或无法收敛到有意义的参数。尽管后验极大似然（MAP）估计提供了一种利用先验知识进行正则化学习的方法，但标准的共轭先验在数学上过于刚性，且难以准确定义。我们通过将POMDP学习重新表述为MAP EM问题，并通过专家定义的模糊模型集成领域知识，该模型生成模糊伪计数作为信息先验，解决了这一挑战。这种新颖方法命名为Fuzzy-MAP EM，确保在广义EM设置下收敛，并通过自适应超参数和经验贝叶斯框架，在数据稀缺和不确定的环境中提供合理的正则化。在合成模拟中，Fuzzy-MAP EM在低数据和高噪声条件下均一致优于标准EM和弱信息MAP算法。在重症肌无力（一种数据稀缺的神经肌肉自身免疫罕见病）的案例研究中，进一步证明了Fuzzy-MAP EM能够恢复一个临床可解释的POMDP，突显了其作为复杂现实应用中实用且数据高效的建模工具的潜力。

Keyword:

POMDP

EM algorithm

Maximum a posteriori

Fuzzy modeling

Data-efficient modeling

Fuzzy-MAP EM: Addressing Data Scarcity in Sequential Decision-Making through Expert Knowledge Modeling

摘要

期刊

机构

引用论文