研究生一年级智能科学与技术专业《非确定环境下的知识建模与推理：从贝叶斯到概率编程》

研究生一年级智能科学与技术专业《非确定环境下的知识建模与推理：从贝叶斯到概率编程》

一、课程基本信息与顶层设计

（一）课程定位与学情分析

本课程定位于硕士研究生一年级智能科学与技术专业核心必修课，衔接本科阶段《人工智能导论》《概率论与数理统计》《Python科学计算》。学习者在本科阶段已接触过确定性推理（归结原理、产生式系统）及基础机器学习算法，但对于真实世界中由于观测噪声、知识不完备、环境动态变化及语义模糊所引发的不确定性，缺乏系统的数学建模能力与算法实现经验。【非常重要】【基础】当前学情呈现出“算法调用熟练、数学原理薄弱；单一模型可用、复合场景盲区”的特点。因此本设计不满足于孤立算法讲授，而是以“不确定性量化的代数基础——表示与传播的数学结构——计算层面的可处理近似——工程落地的可解释性”为主线，构建从理论到概率编程实现的完整链路。

（二）新课程标准与目标重构

1.知识与技能维度

（1）深刻理解不确定性的哲学根源与信息论本质，能够区分随机性（AleatoricUncertainty）与认知性不确定性（EpistemicUncertainty）；【重要】【高频考点】

（2）系统掌握确定性因子（CertaintyFactor）、主观贝叶斯、DS证据理论、可能性理论四大经典不精确推理方法的代数模型、语义解释与适用边界；【热点】【难点】

（3）掌握贝叶斯网络的D-分离准则、马尔可夫毯、精确推理（变量消除）与近似推理（吉布斯采样、变分推断）的核心算法；【非常重要】【核心】

（4）理解概率图模型（PGM）的三种表示范式（贝叶斯网、马尔可夫网、链图）及其条件独立性断言的图论语义；【基础】

（5）掌握状态空间模型（卡尔曼滤波、粒子滤波）在时序不确定性推理中的应用；【热点】

（6）能够运用概率编程语言（PyMC/TensorFlowProbability）构建分层贝叶斯模型，并在真实数据集上完成不确定性量化与可解释性报告。【非常重要】【高阶能力】

2.过程与方法维度

（1）通过“推理网络手工推演——算法伪代码复现——开源框架二次开发”三阶递进，培养从数学结构到工程落地的映射能力；

（2）采用“物理建模-图表示-代码实现-诊断调试”的完整科研范式，重塑解决复杂非确定性问题的思维框架；

（3）引入因果视角（Pearldo-演算），将单纯的相关性推理拓展至干预层面，为因果推断奠定基础。【前沿】

3.情感态度与价值观维度

（1）通过对MYCIN、PROSPECTOR等经典专家系统历史脉络的溯源，体认学者在数据匮乏时代构建不确定性理论的智慧，培育学术创新精神；

（2）在算法透明度与可解释性训练中，建立“可信赖人工智能”的伦理自觉；

（3）强化“模型不确定性”与科学哲学中证伪主义的关联认知，破除对AI预测的盲目迷信。

二、教学实施过程全解析

本课程共计36学时，本单元为连续4讲（每讲90分钟，共360分钟）的深度专题模块，标题为《非确定环境下的知识建模与推理》。以下按照“认知冲突激发——经典范式重构——现代概率图模型——前沿概率编程与因果拓展”四阶递进，完整呈现实施全过程。

（一）第一阶：认知冲突与经典范式重访（第1讲，90分钟）

1.锚点事件与问题剧（0-20分钟）

【教师行为】不直接给出定义，而是呈现一个经过临床脱敏处理的医疗决策片段：某传染性疾病，甲实验室检测灵敏度90%，假阳性率5%；乙实验室检测灵敏度80%，假阳性率1%。两名实验室结果均为阳性，求患病概率。要求学习者以本科阶段确定性逻辑（P→Q）尝试推理。

【学生活动】分组用真值表、自然演绎推理，发现陷入循环与悖论。

【认知冲突揭示】明确宣告：经典逻辑（谓词演算、归结原理）在此类仅有统计关联、无蕴含关系的问题中彻底失效。【非常重要】

【关键追问】此时教师板书核心问题：知识不确定性的三个来源——随机性（事件固有）、模糊性（概念边界）、ignorance（知识不完备）。这是我们整个模块要解决的根本问题。

2.确定性因子（CF）模型的完整推演（20-55分钟）

（1）代数模型重构【重要】【高频考点】

从Shortliffe的MYCIN系统原始论文出发，不直接给公式，而是引导学习者思考：如果用一个数值表示“相信”与“不相信”，这个数值空间应具备何种代数结构？师生共同构建：

定义信任增长度MB(H,E)和不信任增长度MD(H,E)，并推导二者互斥律：当MB>0时，MD=0；反之亦然。

进而定义CF(H,E)=MB-MD。值域[-1,1]。

特别强调：CF不是概率，因为概率的共轭公理P(H)+P(¬H)=1在CF中不成立。CF(H)+CF(¬H)=0。【难点】

（2）不確定性传播算法的手工推演（板书重点）

给出典型推理网络：E1、E2析取→A；E3、E4合取→B；A→C，B→C。已知原始证据不确定性C(E1)=0.7,C(E2)=0.4,CF(R1)=0.8,等。教师带领学生分步骤：

[1]析取证据合成：C(E1∨E2)=max(C(E1),C(E2))=0.7

[2]规则作用：C(A)=CF(R1)×max(0,C(E1∨E2))=0.8×0.7=0.56

[3]合取证据合成：C(E3∧E4)=min(C(E3),C(E4))

[4]独立证据导出同一结论的组合：C1(C)和C2(C)通过C=C1+C2-C1×C2（同号）或C=(C1+C2)/(1-min(|C1|,|C2|))（异号）进行合成。

【学生任务】每两人一组，完成包含4条规则、2层推理、1个结论汇合的手工计算纸笔练习。教师巡堂，重点关注异号合成时的符号处理。

3.主观贝叶斯方法及其几何直观（55-85分钟）

（1）从概率论公理到专家经验

指出CF方法的缺陷：缺乏严格的概率语义，组合函数是启发式的。由此引入PROSPECTOR系统的解决方案——主观贝叶斯。【重要】

（2）关键参数：LS与LN

不直接展示教科书公式，而是从贝叶斯公式的比值形式出发：

O(H|E)=LS·O(H)

O(H|¬E)=LN·O(H)

其中LS=P(E|H)/P(E|¬H)，LN=P(¬E|H)/P(¬E|¬H)。

【直观解释】LS>>1：证据出现强烈支持假设；LN<<1：证据缺失强烈反对假设；LS=1且LN=1：证据与假设独立。

（3）教学难点突破：分段线性插值函数【难点】

当证据E本身不确定时（已知的是关于E的观察E‘），如何计算P(H|E’)？教师采用几何画板动态展示：已知三点(0,P(H|¬E)),(P(E),P(H)),(1,P(H|E))，通过分段线性函数逼近任意P(E‘)对应的后验概率。此处的教学智慧在于：不求严格的概率推导，而是建立“确定性——概率”的转换直觉。

4.课堂收束与学术史浸润（85-90分钟）

简要评述：CF方法是领域专家主导的启发式模型，主观贝叶斯是概率理论家对专家系统的改造。二者共同构成了20世纪70-80年代不确定性推理的双峰。引出下一讲的核心问题——当多个证据之间存在复杂依赖，且基本概率指派难以获得时，如何突破？

（二）第二阶：证据理论与可能性理论的范式突破（第2讲，90分钟）

1.认知预热：从概率精确到置信区间（0-15分钟）

【问题】法庭上，目击者指认嫌疑人。你有多相信“嫌疑人是罪犯”？概率论要求你必须给一个0-1之间的精确数字。但现实中，你可能只能说：“我有6成把握认定是他，3成把握认定不是他，还有1成——我不知道。”这个“我不知道”在概率框架中被强制分配给了0.5或按先验比例，这不合理。DS证据理论正是为解决这一“无知”表示而诞生。【非常重要】【热点】

2.DS证据理论的代数体系构建（15-50分钟）

（1）核心概念精讲

识别框架Θ：所有可能假设的完备集合。

基本概率指派m:2^Θ→[0,1]，且Σm(A)=1,m(∅)=0。关键突破：质量可以赋予子集，而非仅仅是单点。

【板书推演】Θ={T1,T2,T3}，m1赋予{T1,T2}0.6，Θ0.4；m2赋予{T2}0.5，Θ0.5。计算组合信度。

（2）Dempster合成规则【核心】【高频考点】

m12(C)=(Σ_{A∩B=C}m1(A)m2(B))/(1-K)，其中K=Σ_{A∩B=∅}m1(A)m2(B)，衡量证据冲突程度。

【易错警示】当K=1时，证据完全冲突，Dempster规则失效。这是该方法的重要缺陷，也为后续可能性理论埋下伏笔。

（3）信任函数Bel与似然函数Pl

Bel(A)=Σ_{B⊆A}m(B)——对A的总信任度

Pl(A)=1-Bel(¬A)——不反对A的程度

[Bel(A),Pl(A)]构成一个概率区间，这正是对“无知”的数学刻画。【重要】

3.可能性理论的互补视角（50-80分钟）

（1）模糊性与随机性的本质区别

Zadeh指出，DS证据理论仍然处理的是“随机集”，而模糊性是关于类属边界的非概率不确定性。

（2）可能性分布与模糊约束

引入变量X，可能性分布π(x):U→[0,1]。可能性测度Π(A)=sup_{x∈A}π(x)，必然性测度N(A)=inf_{x∉A}(1-π(x))。

【核心定理】Π(A)<1⇒N(A)=0；N(A)>0⇒Π(A)=1。这揭示了可能性和必然性的对偶关系。【难点】

（3）与概率的对比实验

展示经典案例：“Xislarge”对于x=5，可能性0.8，概率可能只有0.1。通过可视化密度曲线，让学生直观感受：可能性关注“易程度”，概率关注“频次”。

4.批判性思辨环节（80-90分钟）

【分组辩论】场景：导弹拦截系统敌我识别。证据一：雷达信号特征（可信度0.9）；证据二：电子侦察敌我应答（可信度0.7）；证据三：光学成像模糊（目标模糊大）。问题：采用CF、主观贝叶斯、DS证据理论、可能性理论分别会如何处理？哪一种更合理？

教师在此环节不给定标准答案，而是引导学生认识到：不确定性推理方法的选择本质上是“本体论承诺”——你承认这个世界是随机的、模糊的、还是不可知的？【非常重要】

（三）第三阶：概率图模型与现代贝叶斯革命（第3讲，90分钟）

1.从单一推理到结构化建模（0-15分钟）

指出前三代方法的共性缺陷：知识表示是“扁平化”的规则库，难以表达变量间复杂的条件独立性。Pearl在20世纪80年代发起的概率图模型革命，本质是将图论引入不确定性推理。【非常重要】

2.贝叶斯网络的语义与构造（15-40分钟）

（1）条件独立性公理【基础】【高频考点】

有向无环图中，给定父节点，节点与其非后代节点条件独立。

（2）D-分离准则【难点】

通过三个典型结构（顺连、分连、汇连）的直观讲授：顺连和分连中，中间节点被观测则路径阻断；汇连中，中间节点被观测则路径连通。

【课堂手势教学法】教师用手掌模拟条件独立：两手掌心向下代表变量，观测变量时手掌握拳。学生通过模仿迅速建立图阻断直觉。

（3）马尔可夫毯

节点的马尔可夫毯=父节点+子节点+子节点的其他父节点。这是局部概率分布更新的充分统计量。

3.精确推理：变量消除算法（40-65分钟）

（1）从链式法则到因子操作

以P(A|B,C)为例，展示如何将联合分布分解为因子乘积。变量消除的核心：对非查询变量依次求和（边缘化），过程中缓存中间因子。【核心】

（2）手算演练

给定贝叶斯网络：Burglary→Alarm,Earthquake→Alarm,Alarm→JohnCalls,Alarm→MaryCalls。已知先验P(B),P(E)，条件概率表完整。求P(B|J=T,M=T)。

教师带领学生完成：

[1]写出联合分布乘积形式

[2]确定消元顺序（通常从叶节点逆向）

[3]依次求和，记录中间因子规模

【学生反馈】此环节是整门课的第一个真正意义上的认知负荷高峰。必须慢，必须手算，必须暴露中间过程。

4.近似推理：采样方法（65-85分钟）

（1）动机引入

精确推理在树宽较大时指数爆炸，工业规模网络不可行。

（2）拒绝采样与似然加权【重要】

从先验采样→接受符合证据的样本（拒绝采样效率低）→固定证据变量，对非证据变量依条件概率加权（似然加权）。

（3）吉布斯采样的直观理解

马尔可夫链蒙特卡洛的入门：逐个变量依其马尔可夫毯重采样。不深究收敛诊断，只建立“迭代条件分布”的心智模型。

5.编程任务布置（85-90分钟）

【项目启动】使用pgmpy库，基于Asia数据集（肺结核、肺癌、支气管炎网络），完成：

[1]网络结构可视化

[2]基于变量消除的精确推理

[3]基于吉布斯采样的近似推理，并与精确结果对比误差。

此为后续翻转课堂做准备。

（四）第四阶：概率编程、因果初探与项目实战（第4讲，90分钟）

1.概率编程范式转移（0-25分钟）

（1）从“写图”到“写生成过程”

传统PGM建模：定义图结构→定义CPT→调用推理引擎。

概率编程：用编程语言描述数据的生成过程，推理由引擎自动进行。【非常重要】【前沿】

（2）PyMC实战演示（教师livecoding）

场景：估计某市新冠感染率I。历史先验：I~Beta(2,100)。随机抽样1000人，阳性20人。写出：

withpm.Model():

i=pm.Beta(‘i’,alpha=2,beta=100)

y=pm.Binomial(‘y’,n=1000,p=i,observed=20)

trace=pm.sample(2000)

【解释】这背后是HamiltonianMonteCarlo自动进行贝叶斯更新。学习者不必推导复杂的共轭分布，而是关注模型表示。

2.认知不确定性量化：贝叶斯神经网络（25-45分钟）

（1）为什么传统NN没有不确定性？

传统神经网络输出softmax是确定性函数，点估计权重，过拟合区域产生过高置信度预测。【热点】

（2）贝叶斯神经网络思想

为权重赋予先验分布，给定数据后计算后验分布。预测时积分所有可能权重——输出自然带有方差。

（3）简易实现：借助TensorFlowProbability构建带随机权重的全连接层，观察分布外检测（OOD）时预测方差显著增大。【非常重要】

3.因果推理的初步：从贝叶斯网络到因果图（45-65分钟）

（1）干预vs.观测【核心】【高频考点】

在贝叶斯网络中，P(Y|X)和P(Y|do(X))完全不同。前者只是统计条件，后者是物理干预。

（2）do-演算的直观案例

以“吸烟→焦油沉积→肺癌”网络为例。观测到P(肺癌|吸烟)高；但如果强行干预所有人吸烟，P(肺癌|do(吸烟))是多少？Pearl证明，需对焦油变量进行“截断乘积”调整。展示通过后门准则消除混淆偏倚。

（3）课堂思辨

AlphaGo下棋时，是在进行干预（它自己落子）还是观测？智能体决策本质上是在做干预。因此，从不确定性推理到决策智能，必须经历因果之梯。【重要】

4.微项目攻坚：完整不确定性推理全流程（65-85分钟）

【真实场景复现】苏州某游乐园假期客流量预测（改编自真实中学AI项目，但提升至研究生复杂度）-3

数据特征：天气（模糊词：晴好、小雨、暴雨）、节假日类型（普通周末、小长假、黄金周）、线上门票预售率（连续值，但有缺失）、过往同期客流量（含噪声）。

任务要求：

[1]分别采用确定性因子方法和概率编程方法，构建客流量等级（高/中/低）预测模型；

[2]对于同一个预测日（天气预报“可能有小雨”，预售率完成62%），给出两种方法下三类等级的信度分布；

[3]撰写不超过500字的不确定性报告，供运营部门决策（预留工作人员数量）。

【实施形式】4人小组，30分钟核心建模，最后20分钟展示关键图表。教师点评重点：CF方法依赖规则强度和专家启发；概率编程模型透明地展示了先验影响与后验更新。

5.单元升华与学术地图（85-90分钟）

总结四讲演进逻辑：规则启发式（CF）→概率主观化（主观贝叶斯）→无知表示（DS理论）→模糊边界（可能性理论）→结构化概率依赖（贝叶斯网）→自动化推理引擎（概率编程）→因果干预（do-演算）。这是一条从手工特征到生成式建模、从关联到干预的完整叙事。【非常重要】

三、全程嵌入的评价与反馈系统

（一）形成性评价的七个触点

[1]第1讲纸笔手算推理网络——考察CF合成规则，当堂批改，错误率高于40%者进入课后微辅导；

[2]第2讲课后DS证据理论编程作业——给定两组基本概率指派，编程计算Dempster合成结果并处理K=0.99的高冲突情况；

[3]第3讲变量消除手算日志——提交详细的消元步骤因子表；

[4]第4讲贝叶斯神经网络不确定性可视化——分布外检测的置信度标准差图像；

[5]微项目阶段一：PGM结构建模——提交Asia网络的pgmpy代码及推理结果；

[6]微项目阶段二：概率编程预测报告——包含先验敏感性分析；

[7]课堂辩论参与度与批判性思维量规。

（二）终结性评价

本模块终结性大作业为“复杂不确定性环境下的智能诊断系统原型”。学生三选一方向：

方向A（医疗）：基于甲状腺功能检测真实数据集，构建贝叶斯网络推理模型，并与传统机器学习分类器（逻辑回归、随机森林）进行不确定性校准度对比（期望校准误差ECE）。

方向B（工业