Überdeckungsmodelle zur Akquisition und Verarbeitung von Unsicherem Wissen, Fachbücher von Norman Brümmer

Es gibt eine Vielzahl von Mechanismen, die diagnostisches Schliessen ermöglichen. Im medizinischen Umfeld bietet sich neben heuristischen, regelbasierten Ansätzen die Modellierung von unsicherem Wissen durch kausale Netze an. Zur Repräsentation von unsicherem Wissen werden häufig Bayessche Netze verwendet, mit deren Hilfe Problemstellungen sehr präzise modelliert werden können. Allerdings ist diese Form der Wissensrepräsentation für einige Anwendungsfälle zu allgemein oder mächtiger als nötig. In diesem Fall können Überdeckungsmodelle verwendet werden, mit denen einfacher unsicheres Wissen zu modellieren ist, da einerseits weniger Wahrscheinlichkeiten angegeben werden müssen und andererseits Wissen sowohl qualitativ als auch quantitativ repräsentiert werden kann. Das heisst, Relationen müssen nicht unbedingt über Wahrscheinlichkeiten definiert werden, sondern es gibt alternativ die Möglichkeit, Erklärungspunkte anzugeben, was in manchen Fällen ausreichend ist. In dieser Arbeit wird untersucht, welche Beziehungen zwischen Bayesschen Netzen und Überdeckungsmodellen bestehen und unter welchen Bedingungen eine Transformation von SCM in Bayessche Netze möglich ist.