: : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 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 ...

We develop a new method for handling incomplete knowledge when inferencing over Bayesian Knowledge Bases(BKB) using genetic algorithms(GA) . The fitness function for a genetic algorithm requires that we give a score to each solution it generates. When a solution is complete, we can use the joint probability of our generated solution, but when incompleteness occurs, the joint probability is undefined. In this paper, we characterize incompleteness in BKBs and present an easily computable method for scoring a solution which contains incompleteness. 1 Introduction A Bayesian Knowledge Base (BKB) is a knowledge representation for information containing uncertainty. BKBs use random variables(RVs) and probabilities to represent knowledge. Unlike other approaches such as Bayesian Networks[4], BKBs are designed to handle incompleteness in our knowledge 2 . One of the inferencing tasks performed on BKBs is belief revision. In belief revision, we attempt to find the most likely state for every...

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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...

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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...