ИНДУКТИВНАЯ ЛОГИКА
– раздел логики, в котором изучается индукция. Индукция как познавательная процедура, приводящая к обобщению в результате обнаружения сходства наблюдаемых предметов, в современной логике может быть формализована различными средствами, образуя соответствующие варианты индуктивной логики. Вариант формализации индукции, предложенный Р. Карнапом, основан на интерпретации вероятности как логического отношения между двумя высказывания. Это отношение выражает степень подтверждения гипотезы h эмпирическими данными е, обычно понимаемыми как констатация результатов наблюдений. Р.Карнап отличает понятие логической вероятности от эмпирической вероятности, изучаемой в теории вероятностей и математической статистике. Он использует язык логики предикатов первого порядка и «описания состояний» (модели), с помощью которых он вводит числовую функцию меры m, областью значений которой является закрытый числовой промежуток между 0 и 1. Сумма значений m-функции на «описаниях состояния» равна 1; m-функция логически ложных высказываний равна 0, а m-функция логически истинных высказываний равна 1. Высказывания, не являющиеся ни логически истинными, ни логически ложными, имеют значение m-функции, заключенное между 0 и 1. Степень подтверждения гипотезы h данными наблюдения e определяется как отношение значения m-функции для конъюнкции h и e к значению m-функции для е.
В индуктивной логике Р.Карнапа был получен пессимистический результат: индуктивная вероятность высказываний с квантором общности (т.е. индуктивных обобщений) равна нулю. Я.Хинтикка, используя созданный им формальный аппарат, показал, что в его версии индуктивной логики карнаповский результат об индуктивных обобщениях не имеет места.
Г. Рейхенбах развил концепцию индуктивной логики как бесконечнозначной вероятностной логики. Он в качестве исходной связки использовал импликацию вида «если «а» истинно, то «b» вероятно со степенью р». В вероятностной логике Г.Рейхенбаха истинностные значения понимаются как степени истинности, интерпретируемые как вероятности.
Новым направлением в индуктивной логике является автоматическое порождение гипотез. Целью исследований в этом направлении является формализация средств извлечения закономерностей из эмпирического материала, представленного в базах данных компьютерных систем. Схема индуктивного вывода в теориях автоматического порождения гипотез состоит в следующем: посылками вывода являются теоретические допущения и эмпирические утверждения, а следствием – теоретические утверждения, являющиеся идуктивными обобщениями. Оригинальная теория автоматического порождения гипотез (GUHA-метод) была предложена чешскими математиками П.Гаеком и Т.Гавранеком.
Известные методы обнаружения причинно-следственных зависимостей, предложенные Д.С. Миллем, оказались идейным импульсом для развития теории правдоподобных рассуждений типа ДСМ. Эта теория была реализована в интеллектуальных системах типа ДСМ, в которых формализован синтез познавательных процедур, представляющий взаимодействие индукции, аналогии и абдукции. Правдоподобные рассуждения этого типа формализуются посредством бесконечнозначной логики с кванторами по кортежам переменной длины. Истинностные значения этой логики конструктивно порождаются посредством правил вывода первого и второго рода и приписываются автоматически обнаруженным гипотезам. Сначала посредством правил первого рода порождаются гипотезы о причинах, представляющих обнаруженное сходство в эмпирических данных. Гипотезы о причинах затем используются в правилах второго рода для вывода по аналогии, посредством которого формируется индуктивное обобщение. Критерием принятия порожденных гипотез является абдуктивный вывод, с помощью которого объясняется исходное состояние базы данных.
Важной проблемой индуктивной логики является формирование критерия принятия гипотез. Существуют различные формализации критерия принятия гипотез, использующие, в частности, степень подтверждения гипотез или абдукцию, объясняющую исходное множество фактов.
Понятия и процедуры индуктивной логики являются весьма полезными для применений в прикладных системах машинного обучения.
В.К.Финн
