溯因推理
出自 MBA智库百科(https://wiki.mbalib.com/)
溯因推理（abductive reasoning）
目录 |
溯因推理也称溯因法，也译作反绎推理，是推理到最佳解释的过程。换句话说，它是开始于事实的集合并推导出它们的最合适的解释的推理过程。有时使用术语溯因（abduction）意味生成假设来解释观察或结论，但是前者定义在哲学和计算二者中更常见。在罕见的场合，使用表达"解释结论"而不是"解释"来指名溯因过程的结果。应用于人工智能中，包括故障诊断、信念修正和自动计划。
哲学家查尔斯·桑德斯·皮尔士把溯因法介入到了现代逻辑。在他1900年前的工作中，他主要使用这个术语来意味使用规则来解释观察，比如“如果下雨则草地是湿的”是用来解释草地是湿的的已知规则。
他后来使用这个术语来意味建立解释新观察的新规则，强调溯因法是实际上建立任何新东西的唯一逻辑过程。也就是，他把科学的过程描述为溯因、演绎和蕴涵的组合，强调新知识只能通过溯因建立。
这与在社会科学和人工智能中使用旧含义溯因的常见用法相反。皮尔士声称产生新规则的实际过程不受逻辑规则的“牵制”。他指出人们拥有先天能力来正确的做推理；拥有这种能力被解释为进化带来的好处。皮尔士对'溯因'的第二种用法类似于归纳法。
第一，溯因推理最重要的阶段是提出可以解释现象的假说，而这往往需要很强的直觉与广博的知识；
第二，假说是对现象发生原因的试探性推测，具有或然性，需要被进一步实证检验；
第三，当假说无法被直接观测从而不具有可证伪性时，必须由假设形成具有可证伪性的推论，从而为实证检验创造条件；
第四，溯因推理是在众多可溯之因中寻求最佳解释的推理过程，而最佳解释必须与最大范围的经验事实相一致；
第五，溯因推理包含了演绎推理与归纳推理——由假说形成推论就是演绎推理，而对推论的实证检验就是归纳推理。
溯因法已经应用于人工智能的各种任务。溯因法的最直接的应用是自动检测系统中的故障：给出与有关故障和表现的理论和一组故障（故障的可见效果），可以使用溯因法来推导故障的某个集合好像是问题的原因。
溯因法也用于建模自动计划。给定与动作事件和它们的效果（例如事件演算的公式）有关的逻辑理论，找到达到一个状态的计划的问题可以被建模为溯因蕴涵着最终状态是目的状态的文字的序列的问题。
信念修正，由于新信息而调整信仰的过程，是应用溯因法的另一个领域。信仰修正的主要问题是新信息可能与信仰的结集相矛盾，但是结合的结果不能是矛盾的。这个过程可以通过使用溯因法来完成：一旦对观察的一个解释已经找到，整合它不产生矛盾。溯因的这种用法不是直接的，因为向其他命题公式集增加命题公式只能使矛盾更糟糕。转而，溯因是在排序可能世界的优先级的层次上进行的。
