Modelli probabilistici per la percezionehomes.di.unimi.it/~boccignone/GiuseppeBoccignone... · Modelli probabilistici per la percezione Corso di Principi e Modelli della Percezione

Modelli probabilistici per la percezione

Corso di Principi e Modelli della Percezione

Prof. Giuseppe Boccignone

Dipartimento di Scienze dell’InformazioneUniversità di Milano

[email protected]://homes.dsi.unimi.it/~boccignone/GiuseppeBoccignone_webpage/Modelli_Percezione.html

Problemi mal posti

Un piccolo test:

x + 3 = 8

quanto vale x?

Problemi mal posti

Un piccolo test:

2x + 2 =10

quanto vale x?

Problemi mal posti

Un piccolo test:

x + y = 9

quanto valgono x e y?

Problemi mal posti

Un piccolo test:

x + y = 9


Questo è un esempio di problema mal posto

Problemi mal posti

Un piccolo test:

x + y = 9


Questo è un esempio di problema mal posto:- non ha soluzione unica

E

R

L

E R L

N° fotoni emessi % fotoni riflessi N° fotoni riflessi

Spettro di irradiamento

Spettro di riflettanza

Spettro di radianza

x

x

x

=

=

=

La riflettanza spettrale// inferenza: un problema mal posto

La riflettanza spettrale// inferenza: un problema mal posto

E

R

L

E R 100

N° fotoni emessi % fotoni riflessi N° fotoni riflessix

x =

=

E=? R=?

Posso provare a utilizzare osservazioni precedenti :

x + y = 9

Problemi mal posti//soluzione probabilistica


x + y = 9

x = 2, y = 7



x + y = 9

x = 2, y = 7

Quanto ci fidiamo del risultato ottenuto?


• Percezione e azione hanno a che fare con eventi incerti:

• rumore, incertezza

• ignoranza sulle condizioni al contorno

Probabilità e scienze cognitive//tre problemi per i modelli cognitivi

stessooggetto

immaginidiverse





oggettidiversi

immaginiidentiche





! conoscenza

Module design

! incertezze

Module integration

! modularità

?}

La logica dell’incerto

• Come già osservava Locke (1632-1704), anche gli agenti più razionali prendono le loro decisioni non nella chiara luce della certezza nel “crepuscolo delle probabilità”.

• “Merita forse anche il titolo di conoscenza l'opinione fondata sulla plausibilità; […] Per questo credo che la ricerca sui gradi di probabilità sia estremamente importante; […] Così, quando non si potesse decidere con assoluta certezza una questione, si potrebbe almeno determinare il grado di probabilità alla luce dell'evidenza”. (G.W. Leibniz, Nuovi Saggi sull’Intelletto Umano).

• Come già osservava Locke (1632-1704), anche gli agenti più razionali prendono le loro decisioni non nella chiara luce della certezza nel “crepuscolo delle probabilità”.

Probabilità e scienze cognitive//percezione come inferenza inconscia

! conoscenza

Module design

! incertezzeT e o r i a d e l l a probabilità

Module integration

! modularità

?}

Quale probabilità//Tre concetti di probabilità: la definizione classica

• La probabilità di un evento è il rapporto tra il numero dei casi favorevoli e il numero dei casi possibili, purché questi ultimi siano ugualmente possibili.

• Quindi se i casi possibili sono n e i casi favorevoli sono nA, per la teoria classica la probabilità che accada l'evento A sarà:

Tre concetti di probabilità: la definizione frequentista

• La probabilità di un evento è il limite della frequenza (relativa) dei successi, cioè del verificarsi dell'evento, quando il numero delle prove tende all'infinito.

Tre concetti di probabilità: la definizione soggettivista

• La probabilità di un evento è il prezzo che un individuo razionale ritiene equo pagare per ricevere 1 se l'evento si verifica (e 0 altrimenti).

• Alessio è disposto a scommettere 1 contro 20 sul fatto che nel pomeriggio arrivi finalmente l'idraulico a riparare il rubinetto che perde da una settimana: attribuisce cioè a tale evento una probabilità ! 1/21 (meno del 5%).

• È come se ci trovassimo ad effettuare un sorteggio da un'urna con 1 pallina rossa (evento positivo = arrivo dell'idraulico) e 20 palline nere (eventi negativi = assenza dell'idraulico).

Come si valuta la probabilità?

• Immaginiamo che ci sia una partita di calcio. Lo spazio degli eventi comprende (1) la vittoria della squadra di casa, (2) la vittoria della squadra ospite e (3) il pareggio.

• Secondo la teoria classica esiste 1 probabilità su 3 che abbia luogo il primo evento

• secondo la teoria frequentista ci si può dotare di un almanacco e controllare tutte le partite precedenti e calcolare la frequenza dell’evento “vittoria della squadra di casa”.

• Secondo la teoria soggettivista, ci si può documentare sullo stato di forma dei calciatori, sul terreno di gioco e così via fino ad emettere una probabilità soggettiva.

• Probabilità soggettiva: mette in relazione le asserzioni fatte sul mondo con lo stato di conoscenza dell’agente


! conoscenza

Module design

! incertezzeT e o r i a d e l l a probabilità

Module integration

! modularità

?}

...(Helmholtz, 1925)

I called the connections of ideas which take place in these processes unconscious inferences.

These inferences are unconscious insofar as their major premise is not necessarily expressed in the form of a proposition;

it is formed from a series of experiences whose individual members have entered consciousness only in the form of sense impressions which have long

since disappeared from memory. Some fresh sense impression forms the minor premise, to which the rule

impressed upon us by previous observations is applied


...(Helmholtz, 1925)


P (knowledge|observation) =P (observation|knowledge)P (knowledge)

P (observation)

(T. Bayes, 1702-1761)

rule impressed upon us by previous observations

fresh sense impression forms the minor premiseunconscious inferences

P( conoscenza | osservazioni)

P( conoscenza)P( osservazioni | conoscenza)

P( osservazioni )

=x

• Probabilità soggettiva: mette in relazione le asserzioni fatte sul mondo con lo stato di conoscenza dell’agente = grado di credenza


! conoscenza

Module design

! incertezze

Teoria

Bayesiana

della probabilità

Module integration

! modularità


• Supponiamo di voler ricostruire il mondo 3D a partire dall’ombreggiatura

• Questo è il mondo che osserviamo, le ombre proiettate nella caverna di Platone...

• Supponiamo di voler ricostruire il mondo 3D a partire dall’ombreggiatura

• Questo è il mondo che osserviamo, le ombre proiettate nella caverna di Platone...


Questa è l’immagine di un oggetto concavo

oconvesso ?

Probabilità//sintassi

• Proposizioni elementari

• C = IN, “la curvatura è di tipo IN”

• Proposizioni complesse

• L=sopra ! C = IN

C

L

I

Curvatura C={IN, OUT}

Posizione sorgente di luce L={sopra, sotto}

Immagine I ={ , }

C, L, I le possiamo considerare

variabili aleatorieche assumono un valore

(discreto/continuo)rispetto agli eventi che accadono nel mondo.

Il risultato numerico di un esperimento

Probabilità //assiomi

• P(A) ! 0

• P (A ! ¬A) = 0

• P (¬A) = 1 - P(A)

• P(A " B) = P(A) + P(B) - P(A ! B)

Probabilità //modellare la percezione del mondo

C L

I

C={IN, OUT}

L={sopra, sotto}

Immagine I ={ , }

Probabilità //modellare la percezione del mondo

• La scelta delle variabili aleatorie di interesse

• discrete

• continue

Probabilità //la probabilità del tutto: congiunta

C L

I

C={IN, OUT}

L={sopra, sotto}

Immagine I ={ , }

P(I ! C ! L)=P(I, C, L) P(I, C, L) I C L

IN sopra

IN sopra

OUT sopra

OUT sopra

IN sotto

IN sotto

OUT sotto

OUT sotto

• Probabilità condizionata di A dato B (posto che conosco il valore di B)

• P(A | B) = P(A ! B) / P(B) = P(A , B) / P(B)

• Ci consente di strutturare la conoscenza sul mondo

• Regola del prodotto

• P(A , B) = P(A | B) P(B) = P(B | A) P(A) poichè P(A ! B) = P(B ! A)

• P(A , B , C) = P(A | B, C) P(B | C) P(C) (chain rule)

Probabilità //la probabilità condizionata

B

A

semplifica una query difficile in query più

semplici

• Da un punto di vista strettamente Bayesiano esistono solo probabilità condizionate

• P(A ) -> P(A | H )

• H è l’insieme di ipotesi che ci consentono di esplicitare la conoscenza sul mondo


L

P(L | H) L

0,9 sopra

0,1 sotto

Posizionamento lucipossibile

Posizionamento luciinammissibile

Alcune delle ipotesi in H

P(L | H) L

0,9 sopra

0,1 sotto

P(L | H) L

0,9 sopra

0,1 sotto

• Da un punto di vista strettamente Bayesiano esistono solo probabilità condizionate

• P(A ) -> P(A | H )

• H è l’insieme di ipotesi che ci consentono di esplicitare la conoscenza sul mondo


COggetti che esistono nel mondo osservato

Alcune delle ipotesi in H

Oggetti che non esistono nel mondo osservato

P(C | H) C

0,5 IN

0,5 OUT

Probabilità //specificare un modello del mondo: struttura

C={IN, OUT}

L={sopra, sotto}

Immagine I ={ , }

P(I ! C ! L)=P(I, C, L) = P(I | C, L) P(C | L) P(L)

C L

I

Indipendenza di C da L

P(C | L) = P(C)

P(I, C, L) = P(I | C, L) P(C ) P(L)

questo è il mio modello del mondo

• Il modello del mondo mi semplifica la probabilità del tutto (23 -1 stati)

P(I, C, L) I C L

IN sopra

IN sopra

OUT sopra

OUT sopra

IN sotto

IN sotto

OUT sotto

OUT sotto

Probabilità //specificare un modello del mondo


C L

I

P(I, C, L) = P(I | C, L) P(C ) P(L)

P(C ) C

0,5 IN

0,5 OUT

P(L ) L

0,9 sopra

0,1 sotto

P(I |C, L) I C L

0 IN sopra

1 IN sopra

1 OUT sopra

0 OUT sopra

1 IN sotto

0 IN sotto

0 OUT sotto

1 OUT sotto


C L

I

P(I, C, L) = P(I | C, L) P(C ) P(L)

P(C ) C

0,5 IN

0,5 OUT

P(L ) L

0,9 sopra

0,1 sotto

Probabilità a priori=la mia conoscenza del mondo


C L

I

P(I, C, L) = P(I | C, L) P(C ) P(L)

P(I |C, L) I C L

0 IN sopra

1 IN sopra

1 OUT sopra

0 OUT sopra

1 IN sotto

0 IN sotto

0 OUT sotto

1 OUT sotto

Verosimiglianza=la mia osservazione del

mondo

• Dalla Regola del prodotto:

• P(A , B) = P(A | B) P(B) = P(B | A) P(A) poichè P(A ! B) = P(B ! A)

Probabilità //fare inferenze: la regola di Bayes

B

A

B

A

Probabilitàinversa

Probabilità //fare inferenze: la regola di Bayes

P (knowledge|observation) =P (observation|knowledge)P (knowledge)

P (observation)P( cosa c’è nel mondo | dati sensoriali)

P( cosa c’è nel mondo)P( dati sensoriali | cosa c’è nel mondo)

P( dati sensoriali )

=x

probabilità a posteriori verosimiglianza probabilità a priori{ { {

Probabilità //Indipendenza (marginale)

C L

C={IN, OUT}

L={sopra, sotto}

Immagine I ={ , }

Indipendenza di C da L

P(C | L) = P(C)

P(C, L) = P(C| L) P(L)

= P(C) P(L)

• Eventi mutualmente esclusivi

• P(A , B) =P(A ! B) =0

• Si semplifica la regola della somma:

• P(A " B) = P(A) + P(B) - P(A ! B) = P(A) + P(B)

• Generalizzata:

• P(A1 " A2 " ... " AN ) = " i=1;..;N P(Ai )

Probabilità //Indipendenza (marginale)

P ( , ) = 0

P ( " ) = P ( ) + P ( )

Probabilità //Marginalizzazione

• Dalla probabilità congiunta possiamo ottenere la probabilità (marginale) di una variabile sommando su tutti i possibili valori delle altre variabili

• P(X) = ! Y P(X, Y)

• P(X) = ! Y P(X, Y) = ! Y P(X | Y) P(Y)

Probabilità //Marginalizzazione

• La marginalizzazione ci consente inferenze:

• Se osservo I= , qual è la probabilità di P( C = OUT | I = )

P( C = OUT | I = )P( I = , C = OUT )

P( I = )

#! L={sopra, sotto} P( I = , C = OUT, L )

= ! L={sopra, sotto} P( I = | C = OUT, L ) P(C ) P(L)

= P(C = 0UT ) [ P( I = | C = OUT, L = sopra ) P(L =sopra)

+ P( I = | C = OUT, L = sotto ) P(L = sotto) ]

{0,5

{0

{0,9

=

LC

Probabilità //Problema per l’inferenza Bayesiana

• La marginalizzazione ci consente inferenze:

• Se osservo I= , qual è la probabilità di P( C = OUT | I = )

P( C = OUT | I = )P( I = , C = OUT )

P( I = )

! C={IN, OUT} ! L={sopra, sotto} P( I = , C , L )

= [ P( I = | C = OUT, L = sopra ) P(L =sopra) P( C = OUT)

+ P( I = | C = OUT, L = sotto ) P(L = sotto) P( C = OUT)

=

+ P( I = | C = IN, L = sopra ) P(L =sopra) P( C = IN)

+ P( I = | C = IN, L = sotto ) P(L = sotto) P( C = IN)]

=

Hic suntleones !

P( I = )

Modello generativo

Y immagine

(visible)

X oggetti

(hidden)

insieme di parametri

Probabilità e scienze cognitive//percezione come inferenza Bayesiana

Y

X

!

P (X|Y,!,M) =P (Y |X, !,M)P (X|!,M)

P (Y |!,M)

Likelihood Prior

Inferire

variabili nascoste

Occorrono i parametri!


Y

X

P (!|Y,M) =P (Y |!,M)P (!|M)

P (Y |M)

Inferire

parametri

= Parameter Learning

Occorrono

i modelli!

P (X|Y,!,M) =P (Y |X, !,M)P (X|!,M)

P (Y |!,M)

!


Y

X

P (M|Y ) =P (Y |M)P (M)

P (Y )

Inferire modelli = Model selection

P (!|Y,M) =P (Y |!,M)P (!|M)

P (Y |M)

P (X|Y,!,M) =P (Y |X, !,M)P (X|!,M)

P (Y |!,M)

!


Y

X

P (M|Y ) =P (Y |M)P (M)

P (Y )

P (!|Y,M) =P (Y |!,M)P (!|M)

P (Y |M)

P (X|Y,!,M) =P (Y |X, !,M)P (X|!,M)

P (Y |!,M)

!


Hic suntleones !

P (M|Y ) =P (Y |M)P (M)

P (Y )

P (!|Y,M) =P (Y |!,M)P (!|M)

P (Y |M)

P (X|Y,!,M) =P (Y |X, !,M)P (X|!,M)

P (Y |!,M)


• Dove non è possibile inferenza esatta

1.Metodi Monte Carlo

2.Tecniche variazionali:

• Variational Bayes

• Loopy Belief propagation

• Expectation propagation

Modelli nelle scienze cognitive e nella percezione//da Marr a Bayes

Teoria computazionale

Rappresentazione e algoritmo

Implementazione hardware

Livelli di spiegazione

secondo Marr

Qual è il goal della computazione?

Quale rappresentazione e quale algoritmo?

Come realizzarla fisicamente?


secondo Marr



Teoria Bayesiana

Vincolie

ipotesi

Implementazione


(Kersten e Yuille)


Modelli teorici Bayesiani:

Modello Grafico + PDF

Inferenza su MG

SIMULAZIONE

Modello implementativo


(Boccignone e Cordeschi)

C L

I

P(I, C, L) = P(I | C, L) P(C ) P(L)

Documents

Modelli probabilistici per la percezionehomes.di.unimi.it/~boccignone/GiuseppeBoccignone... · Modelli probabilistici per la percezione Corso di Principi e Modelli della Percezione