Strong methods和Weak methods

---

问题来源

   在阅读《Reinforcement learning:An introduction》第一章的时候，作者提到了这样一个如今看来uncommon的观点 :

  Methods based on general principles, such as search or learning, were characterized as “weak methods,”whereas those based on specific knowledge were called “strong methods.”

  读至此处读者可能仍然会对Strong methods和Weak methods的定义和区别存在疑问。从上面的观点的字面意思看来，诸如各种深度学习网络和reinforcement learning等的方法符合上述有关于weak methods定义的描述，而expert system则更加符合strong methods的描述。

一种较为抽象的理解

  下述理解来自于经管之家BBS的大神angwg：

  产生式联结起来形成产生式系统，以表征内隐的或外显的生理程序中的所有步骤。系统中的产生式通过目标结构彼此联系，每个产生式以某种方式产生随后的目标行为。不同产生式所适用的领域相异。一般领域的产生式跨多种情景运用，因其具有一般性，针对性弱，故有时称之为弱方法(weak methods)具体领域的产生式仅适用于特定领域，是专长的基础，针对性强，故有时称之为强方法(strong methods )。不同产生式所消耗的认知资源也不尽相同，其中一些被称为自动化的产生式，因其运行时信息加工系统意识不到；另一些则被称为受控制的(或需要注意的)产生式，因其运行时消耗了部分或所有工作记忆容量。某些领域的技能具有这两种类型的产生式，一种代表了该领域自动化了的基本技能，即智慧技能；另一种代表了该领域受控制的策略性知识。同样，产生式也是一种表征程序性知识的经济型方式。

  上面一段话我头都被绕晕，看起来就很有东西，真是
  看了很多遍，最后发现有用的是这句话，这句话描述了强方法和弱方法的区别：强方法针对性强，弱方法针对性弱，也就是specific knowledge和general principle的表现性质的具体体现了。

一般领域的产生式跨多种情景运用，因其具有一般性，针对性弱，故有时称之为弱方法(weak methods)具体领域的产生式仅适用于特定领域，是专长的基础，针对性强，故有时称之为强方法(strong methods )

更加具体的解释

注：以下理解来自于一篇1985年的远古时代论文《STRONG AND WEAK METHODS: A LOGICAL VIEW OF UNCERTAINTY》

文章的背景是关于人工智能系统中管理不确定性的方法的辩论，这场辩论被认为是人工智能方法和基于概率的经典方法之间的竞争。作者提出了三个扩展不确定性概率框架的论点，但这三个论点都只是对经典方法的扩展而非驳证：

1. 明确表示几种类型的不确定性，特别是可能性（Possibility）和似然性（Plausibility），以及概率（Probability）
2. 在定义不明确的问题中使用弱方法进行不确定性管理
3. 不同不确定度计算的符号表示及其选择方法

关于不确定性（Uncertainty）的三种类型的论述在这里不作展开，有兴趣的读者可以自行阅读论文，以下仅提炼出对于Strong methods和Weak methods的理解有帮助的几个观点：

1. Weak methods适用于解决弱定义（ill-defined）的问题，假设可以是dubious的
2. 几乎所有AI系统（DL、RL）都是基于Weak methods的，而专家系统（expert system）则是基于Strong methods
3. Weak methods一般是非数值的
4. 在Weak methods的观点中，Uncertainty也是一种Knowledge
5. Weak methods相较于Strong methods一般是informal的
   

本文仅代表个人观点，如有指正与补充，欢迎评论区留言