onzekerheidsrepresentatie

Onzekerheidsrepresentatie is het vakgebied dat zich bezighoudt met het vastleggen en verwerken van onzekerheid in modellen, data en besluitvormingsprocessen. Het omvat zowel probabilistische als niet-probabilistische benaderingen en speelt een centrale rol in statistiek, kunstmatige intelligentie, risicobeoordeling en decision support.

Binnen de probabilistische benadering wordt onzekerheid uitgedrukt met kansverdelingen en parameters daarvan, zoals prior- en posteriorverdelingen in Bayesiaanse modellen. Daarnaast bestaan imprecise probabiliteiten, waaronder intervalprobabiliteiten en sets van kansverdelingen, die onzekerheid explicieter maken wanneer informatie beperkt of tegenstrijdig is. Voor het combineren van bewijslast zonder exact kansgewicht te kiezen worden onder andere belief- en plausibiliteitsfuncties uit de Dempster–Shafer-theorie gebruikt. Mogelijkhedenbenaderingen en fuzzy logica leveren tenslotte manieren om onzekerheid uit te drukken met grensen en vage grenzen.

Er wordt doorgaans onderscheid gemaakt tussen aleatorische onzekerheid, die inherent is aan de uitkomsten van een proces, en epistemische onzekerheid, voortkomend uit beperkte kennis of modelfouten. Onzekerheidsrepresentatie probeert dit onderscheid te maken en te integreren in inferentie en besluitvorming.

Toepassingen zijn onder meer data-analyse, statistische inference, sensorfusie, robotica, financiën en risicomanagement. Een goede onzekerheidsrepresentatie vergroot de transparantie van aannames en biedt robuuste beslissingskaders onder onzekerheid.

Uitdagingen omvatten het juist eliciteren van overtuigingen, interpretatie van complexe representaties, wiskundige consistentie en hoge rekeneisen bij geavanceerde modellen. Ontwikkelingen richten zich op hybride benaderingen die probabilistische en niet-probabilistische ideeën combineren, en op efficiënte algoritmen voor real-time toepassingen.