: : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : viii I. Introduction : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 1-1 II. V&V Background : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 2-1 2.1 Validation vs. Verification : : : : : : : : : : : : : : : : : : : : : : : : : 2-1 2.2 Rule-Based V&V Approaches : : : : : : : : : : : : : : : : : : : : : : : 2-2 2.3 Neural Networks V&V : : : : : : : : : : : : : : : : : : : : : : : : : : : 2-4 2.4 Validation Issues : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 2-5 III. Knowledge Representation : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 3-1 3.1 Uncertainty : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 3-1 3.2 Bayesian Networks : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 3-1 3.3 Bayesian Knowledge Base : : : : : : : : : : : : : : : : : : : : : : : : : 3-4 3.4 Knowledge Acquisition and ...

: : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : viii I. Introduction : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 1-1 1.1 Problem Description : : : : : : : : : : : : : : : : : : : 1-1 1.2 Research Goals : : : : : : : : : : : : : : : : : : : : : : 1-2 1.3 Scope : : : : : : : : : : : : : : : : : : : : : : : : : : : 1-3 1.4 Thesis Overview : : : : : : : : : : : : : : : : : : : : : 1-3 II. Background : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 2-1 2.1 Human-Computer Interaction (HCI) : : : : : : : : : : 2-1 2.1.1 The User : : : : : : : : : : : : : : : : : : : : : 2-1 2.1.2 The User Interface : : : : : : : : : : : : : : : 2-2 2.2 Adaptable and Adaptive User Interfaces : : : : : : : : 2-5 2.3 The Intelligent User Interface : : : : : : : : : : : : : : 2-7 2.4 Knowledge Representation : : : : : : : : : : : : : : : : 2-9 III. Methodology : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 3-1 3.1 Adopt a Target System : : : : : : : : ...

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii I. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-1 II. Problem Background . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-1 2.1 Verification & Validation Testing . . . . . . . . . . . . . . . . 2-1 2.2 Methods of Verification & Validation . . . . . . . . . . . . . . 2-3 2.3 V & V of knowledge based systems versus conventional software 2-4 2.4 Knowledge Acquisition . . . . . . . . . . . . . . . . . . . . . 2-5 2.5 Knowledge Representation . . . . . . . . . . . . . . . . . . . 2-6 2.6 The Bayesian Knowledge Base representation . . . . . . . . . 2-7 2.7 Knowledge Base Errors . . . . . . . . . . . . . . . . . . . . . 2-9 III. Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-1 3.1 PESKI Validation . . . . . . . . . . . . . . . . . . . . . . . . 3-2 3.1.1 Test Cases . . . . . . . . . . . . . . . . . . . . . . . 3-2 3.1.2 Direct Dependency R...

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii I. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-1 II. Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-1 2.1 PESKI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-1 2.2 Baysian Knowledge Base . . . . . . . . . . . . . . . . . . . . 2-1 2.3 Anytime Algorithms . . . . . . . . . . . . . . . . . . . . . . . 2-6 III. Reasoning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-1 3.1 Why is reasoning hard? . . . . . . . . . . . . . . . . . . . . . 3-1 3.1.1 Belief revision for BKBs . . . . . . . . . . . . . . . . 3-1 3.2 Algorithms for Belief Revision . . . . . . . . . . . . . . . . . 3-3 3.2.1 Genetic Algorithms . . . . . . . . . . . . . . . . . . 3-4 3.2.2 Best-First Algorithms . . . . . . . . . . . . . . . . . 3-8 IV. Algorithm Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-1 4.1 Predicting Pe...

This paper presents an intelligent user interface agent architecture based on Bayesian networks. Using a Bayesian network knowledge representation not only dynamically captures and models user behavior, but it also dynamically captures and models uncertainty in the interface's reasoning process. Bayesian networks' sound semantics and mathematical basis enhances it's ability to make correct, intelligent inferences as to the user's needs. We show explicit examples of our agent's reasoning using our Bayesian network and present results showing the utility of Bayesian networks in the domain of user interfaces. Content Areas: user interfaces, agent architecture, cognitive reasoning, expert systems, reinforcement learning, probabilistic reasoning Introduction GESIA 1 (Generic Expert System Intelligent Assistant) is an intelligent user interface agent architecture conceived out of the development of a generic expert system shell (Harrington, Banks, & Santos 1996). This expert system shell...

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii I. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-1 II. Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-1 2.1 Knowledge Acquisition -- Elicitation . . . . . . . . . . . . . . . . . . . 2-1 2.1.1 Missing Data . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-1 2.1.2 Unavailable Data . . . . . . . . . . . . . . . . . . . . . . . . . 2-2 2.1.3 Unreliable Data . . . . . . . . . . . . . . . . . . . . . . . . . . 2-2 2.1.4 Invalid Data . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-3 2.2 Knowledge Acquisition -- Representation . . . . . . . . . . . . . . . . . 2-3 2.2.1 Bayesian Knowledge Base (BKB) . . . . . . . . . . . . . . . . 2-4 2.3 Verification & Validation . . . . . . . . . . . . . . . . . . . . . . . . . 2-6 2.3.1 BVAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-6 III. Inco...

An architecture for unifying various algorithms for probabilistic reasoning is presented. Any algorithms having anytime, anywhere characteristics may be mixed in this scheme. Since algorithms for probabilistic reasoning have widely different behavior over classes of Bayes networks, the scheme permits taking advantage of the set of algorithms that happen to perform well for the problem instance at hand. We concentrate on belief updating and belief revision. Some results are presented for our system (overmind) consisting of several genetic algorithm instances, A , etc. running in parallel. Keywords: Probabilistic Reasoning, Anytime Algorithms, Anywhere Algorithms, Parallelized Algorithms, Meta-Reasoning, Deliberation Scheduling. 1 Introduction To satisfy the ever increasing demand for fast inferencing, especially in highly dynamic tasks such as real-time planning and scheduling [12, 11], the ability to provide a near optimal solution at any given moment is extremely important. The c...