Modal Logics for Qualitative Possibility and Beliefs
University of British Columbia（不列颠哥伦比亚大学）
可能性逻辑是一种用于不确定性推理的数值形式。有兴趣发展定性帐户的可能性，以及解释之间的关系的可能性和模态逻辑。我们提出了两个模态逻辑，可以用来表示和原因的定性陈述的可能性和必要性。在这个模态框架内，我们能够识别可能性逻辑，信念和条件之间的有趣关系。特别是，最自然的条件定义通过可能性的手段默认推理是相同的珍珠的条件的电子语义。
2013-03-13 cs.AI
Belief revision in the propositional closure of a qualitative algebra
Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Université de Strasbourg（斯特拉斯堡大学）；ENGEES（斯特拉斯堡国立水与环境工程学院）
信念修正是一种旨在修正旧信念使其与新信念相一致的操作。信念修正的问题已经在各种形式主义中进行了研究，特别是在定性代数（QA）中，其结果是不一定在QA中表示的信念基的析取。这激发了对形式主义扩展问答系统中信念修正的研究，即它们的命题闭包：在这样的闭包中，信念修正的结果属于形式主义。此外，由于哈珀恒等式，这使得可以定义收缩算子。研究了QA命题闭包中的信念修正问题，设计了修正算子族的一个算法，并在Web上免费提供了一个开源实现.
2014-12-12 cs.AI
Belief revision in the propositional closure of a qualitative algebra (extended version)
Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Université de Strasbourg（斯特拉斯堡大学）；ENGEES（斯特拉斯堡国立水与环境工程学院）
信念修正是一种旨在修改旧信念，使其与新信念保持一致的操作。信念修正的问题已经在各种形式主义中进行了研究，特别是在定性代数（QA）中，其结果是不一定在QA中表示的信念基的析取。这激发了对形式主义扩展问答系统中信念修正的研究，即它们的命题闭包：在这样的闭包中，信念修正的结果属于形式主义。此外，由于哈珀恒等式，这使得可以定义收缩算子。研究了QA命题闭包中的信念修正问题，设计了修正算子族的算法，并在网络上免费提供了一个开源实现。(This是最初在第14届知识表示和推理原理国际会议上发表的一篇文章的扩展版本。
2014-05-05 cs.AI
Elicitation of Probabilities for Belief Networks: Combining Qualitative and Quantitative Information
University of Pittsburgh（匹兹堡大学）；Utrecht University（乌得勒支大学）
虽然信念网络在不确定性推理中的有用性被广泛接受，但获得它们所需的数值概率仍然被认为是一个主要障碍。通常没有足够的统计数据来进行可靠的概率估计。可用信息可能不直接适合在网络中编码。最后，领域专家可能不愿意提供数值概率。在本文中，我们提出了一种方法，从一个领域的专家，是非侵入性的，并容纳任何概率信息的专家愿意国家的概率启发。我们表示所有可用的信息，无论是定性或定量的性质，在一个规范的形式组成的（中）等式表示约束的超空间可能的联合概率分布。然后，我们使用这个标准形式来推导出所需概率的二阶概率分布。
2013-02-20 cs.AI
Minimal Assumption Distribution Propagation in Belief Networks
University of California（加利福尼亚大学）
随着信任网络被用于对日益复杂的情况进行建模，从大型数据库中自动构建信任网络的需求将变得至关重要。本文集中解决了信念网络归纳问题的一部分：在给定定性结构的情况下，学习定量结构（条件概率）。特别是，一个理论，显示了如何传播的信念网络中的推理分布，唯一的假设是，给定的定性结构是正确的。大多数推理算法必须至少做出这个假设。该理论基于四个网络转换，足以在信念网络中进行任何推理。此外，与流行的观点相反，错误不一定会随着推理链的增长而增长。相反，对于从足够大的样本诱导的QBN信念网，随着推理链的大小增加，误差更有可能减小。
2013-03-06 cs.AI
Belief Updating and Learning in Semi-Qualitative Probabilistic Networks
本文探讨了结合数值和定性信息的半定性概率网络（SQPN）。我们首先证明了SQPN的精确推理是NPPP完全的。然后，我们表明，现有的SQPN（加上概率逻辑和不精确的评估）的定性关系，可以有效地处理通过多线性规划。然后我们讨论学习：我们考虑一种最大似然方法，它在给定SQPN和经验数据的情况下产生点估计，我们描述了一种贝叶斯思想的方法，它采用不精确狄利克雷模型来产生集值估计。
2012-07-04 cs.AI stat.ML
Assessing the value of a candidate. Comparing belief function and possibility theories
Institut de Recherche Thomson-CSF（汤姆逊-CSF研究所）；Corporate Research en Informatique de Toulouse（图卢兹企业信息研究）；Universite Paul Sabatier（保罗·萨巴蒂埃大学）；Laboratory Universite Paul Sabatier（保罗·萨巴蒂埃大学实验室）
评估候选人价值的问题在这里被视为一个多重组合问题。一方面，候选人可以根据不同的标准进行评估，另一方面，几位专家应该根据每个标准评估候选人的价值。标准不同等重要，专家不同等胜任或可靠。此外，标准的满意度水平或置信度水平仅假定在线性排序的定性尺度中取值。在两个框架内，可转移的信念模型和定性可能性理论的问题进行了讨论。它们分别为处理问题提供了定量和定性的背景，从而提供了一种比较基本假设性质的方法。
2013-01-23 cs.AI
A Possibilistic Model for Qualitative Sequential Decision Problems under Uncertainty in Partially Observable Environments
IRIT - Universite Paul Sabatier（IRIT - 保罗·萨巴捷大学）
在这篇文章中，我们提出了一个定性（有序）部分可观察马尔可夫决策过程模型（POMDP），其中的不确定性，以及代理的偏好，建模的可能性分布。POMDP模型的这种定性对应依赖于最近开发的不确定性决策的可能性理论。这样的定性框架的一个优点是它能够摆脱随机POMDP的经典障碍，即使在有限的状态空间中，所获得的POMDP的信念状态空间是无限的。相反，在可能性框架中，即使指数地大于状态空间，信念状态空间仍然是有限的。
2013-01-23 cs.AI
Propagation of Belief Functions: A Distributed Approach
University of Kansas（堪萨斯大学）
在本文中，我们描述了一个计划传播的信念函数在某些种类的树只使用本地计算。该方案概括了Shafer和Logan 1提出的计算方案，用于Gordon和Shortliffe研究的诊断树类型，以及Shafer给出的层次证据的稍一般的方案。它还推广了Pearl提出的贝叶斯因果树方案（见Shenoy和Shafer）。珀尔的因果树和戈登和肖特利夫的诊断树都是将与大问题有关的证据分解为与问题的较小部分有关的较小证据项的方法，以便这些较小的问题可以一次处理一个。为了使概率判断过程可行，这种努力的局部化通常是必不可少的，无论是对做出概率判断的人还是对组合它们的机器。我们的计划的基本结构是一种树，概括了珍珠和戈登和Shortliffe的树。这种一般类型的树允许在珀尔意义上的局部计算。它们基于条件独立性的定性判断。我们相信，我们在这里描述的方案将证明是有用的专家系统。现在很清楚，在专家系统中成功地传播概率或确定性因素需要比在纯产生式系统框架中所能提供的更多的结构。另一方面，贝叶斯方案往往对结构提出不切实际的要求。在树和更一般的网络中传播信任函数站在中间立场，可以做一些明智和有用的事情。我们想强调的是，传播概率的局部计算的基本思想是由Judea Pearl提出的。这是一个非常创新的想法，我们不相信它可以在贝氏文献中找到之前珍珠的工作。我们认为我们的贡献是扩大珍珠的想法的有用性概括它从贝叶斯概率的信念函数。在…
2013-03-27 cs.AI
Qualitative Propagation and Scenario-based Explanation of Probabilistic Reasoning
Carnegie Mellon University（卡内基梅隆大学）；Rockwell International Science Center（罗克韦尔国际科学中心）
概率推理的可理解性解释是专家系统和决策支持系统中贝叶斯方法被广泛接受的先决条件。一项关于人类在不确定性下推理的研究提出了两种不同的策略来解释概率推理：第一种是定性信念传播，通过信念网络从一个变量到下一个变量追踪证据的定性效果。这种传播算法是Wellman（1988）的图约简算法的替代，用于定性概率网络中的推理。它是基于一个定性分析的因果关系推理，这是一个概括的珍珠的“解释了”，并替代韦尔曼的定性协同作用的定义。另一种是基于情景的推理，涉及到替代因果“故事”的产生。比较几个最可能的场景提供了一种近似的方法来解释概率推理的结果。这两种方案采用因果关系以及概率知识。概率可以被呈现为短语和/或数字。用户可以控制解释的风格、抽象性和完整性。
2013-03-27 cs.AI
A Qualitative Theory of Cognitive Attitudes and their Change
IRIT-CNRS（法国国家科学研究中心图卢兹计算机研究所）；Toulouse University（图卢兹大学）
本文提出一个通用逻辑框架，用于推理智能体的认知态度（如知识、信念、欲望等），并给出两种扩展（选择与动态算子），应用于不完全信息博弈，提供可靠完备的公理化。
2021-02-16 cs.AI cs.LO
Qualitative Measures of Ambiguity
University of Regina（里贾纳大学）
本文介绍了一种模糊度的定性度量方法，并分析了它与其它不确定度度量方法的关系。概率衡量的是相对的可能性，而模糊性衡量的是这些判断的正确性。歧义是不确定性知识的一种重要表现形式。它处理的是一种不同类型的不确定性，由主观概率或信念建模。
2013-03-06 cs.AI
Qualitative Possibilistic Mixed-Observable MDPs
IRIT – Paul Sabatier University（IRIT - 图卢兹第三大学（保罗·萨巴蒂埃大学））；Onera – The French Aerospace Lab（法国国家航空航天研究中心）
可能性和定性POMDP（pi-POMDP）是POMDP的对应物，用于模拟由于缺乏过去的经验或数据汇集不足而导致代理的初始信念或观察概率不精确的情况。然而，像概率POMDPs，最佳解决pi-POMDPs是棘手的：有限的信念状态空间指数增长与系统的状态数。在本文中，一个可能性版本的混合可观测MDP的解决这个问题：解决pi-POMDP的复杂性，其中一些状态变量是完全可观测的，然后可以显着降低。一个值迭代算法，这个新的配方下无限地平线提出和最优性的返回策略（指定的标准）示出假设存在一个“停留”的行动在一些目标状态。实验工作最后表明，这种可能性模型优于概率POMDPs通常用于机器人技术中，对于目标识别问题，代理的意见是不精确的。
2013-09-26 cs.AI
Implementing a Bayesian Scheme for Revising Belief Commitments
Naval Research Laboratory（海军研究实验室）；JAYCOR（JAYCOR公司）；Defense Research Establishment Atlantic（大西洋国防研究机构）
我们以前对复杂船舶图像进行分类的工作[1，2]已经发展成为开发用于构建和解决通用分类问题的软件工具的努力。管理与特征数据和其他证据相关的不确定性是这项工作中的一个重要问题。管理不确定性的贝叶斯技术[7，12，13]已被证明对于管理分类问题解决的几个信念维护要求是有用的。其中一个要求是需要对所相信的东西作出定性的解释。Pearl [11]通过计算他所谓的信念承诺来解决这一需求，信念承诺是给定可用证据的所有假设变量的最可能实例。在计算信念承诺之前，Pearl的过程的直接实现涉及到找到一些通常困难的优化问题的解析解。我们描述了一个有效的实现这个过程中使用张量积，解决了这些问题，枚举，避免了个案分析的需要。因此，该程序在一般情况下使用起来更加实用。
2013-03-27 cs.AI
Case Adaptation with Qualitative Algebras
LORIA（洛林大学计算机研究与应用实验室）；Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；ICUBE（ICUBE实验室）；Université de Strasbourg（斯特拉斯堡大学）；ENGEES（斯特拉斯堡国立水与环境工程学院）；INRA（法国国家农业研究院）
本文提出了一种在基于实例推理系统中对空间或时间实例进行自适应的方法。定性代数被用作空间和时间的知识表示语言。这种适应方法背后的直觉是应用替换，然后修复潜在的不一致，这要归功于定性代数的信念修正。从烹饪域的时间的例子。(The这篇扩展摘要所基于的论文获得了2012年基于案例推理国际会议的最佳论文奖。
2013-10-10 cs.AI
An Experimental Comparison of Numerical and Qualitative Probabilistic Reasoning
Institute for Decision Systems Research（决策系统研究所）；Stanford University（斯坦福大学）
定性和无穷小概率方案与概率论的公理一致，但避免了对精确数值概率的需要。使用定性概率可以大大减少知识工程的工作量，提高结果的鲁棒性。我们实验研究如何以及无穷小的概率（kappa演算的Goldszeland和珍珠）执行诊断任务-故障排除的汽车，将无法启动与传统的数值信念网络比较。我们发现，在识别真正的故障的无穷小方案是一样好的数值方案。无穷小方案的性能显着的先验故障概率大于0.03。这些结果表明，无穷小概率方法可能是具有很大的实用价值的机器诊断与小的先验故障概率。
2013-02-27 cs.AI
From Statistical Knowledge Bases to Degrees of Belief
一个智能体通常不确定其环境的各种属性，当在该环境中行动时，它经常需要量化其不确定性。例如，如果智能体希望采用决策理论的预期效用范式来指导其行动，它将需要为各种断言分配置信度（主观概率）。当然，这些置信度不应该是任意的，而是应该基于代理人可获得的信息。本文介绍了一种方法，从非常丰富的知识库，可以包括特定的个人，统计相关性，物理定律和默认规则的信息诱导程度的信念。我们称之为随机世界方法。该方法基于无差异原则：它将智能体认为可能的所有世界视为同等可能。它能够通过提供一种语言来集成定性缺省推理和定量概率推理，在这种语言中，两种类型的信息都可以很容易地表达。我们的研究结果表明，在直接推理（推理从统计信息的结论对个人）和默认推理直接遵循{从}随机世界的语义出现的一些desiderata。例如，随机世界捕捉了重要的推理模式，如特异性，遗传，对无关信息的漠不关心，以及独立性的默认假设。此外，所使用的语言的表达能力和随机世界的直观语义允许该方法处理超出许多其他非演绎推理系统范围的问题。
2003-07-24 cs.AI
A two-step fusion process for multi-criteria decision applied to natural hazards in mountains
Cemagref（法国农业和环境工程研究所）；EMSE（圣艾蒂安国立高等矿业学校）；ONERA（法国国家航空航天研究院）
山洪和雪崩造成人员和物质损失，后果严重。关于自然现象的知识往往缺乏，需要专门知识，以便使用多学科定量或定性方法进行决策和风险管理。专家知识被认为是一个基于不完全信息的决策过程，这些信息来自或多或少可靠和相互冲突的来源。本文提出了一种将多准则辅助决策方法层次分析法（AHP）与基于信度函数理论的信息融合相结合的方法。模糊集和Possible理论允许将定量和定性标准转换为Dempster-Shafer理论（DST）和Dezert-Smarandache理论（DSmT）背景下的共同决策识别框架。主要问题包括基本的信念分配的启发，冲突识别和管理，融合规则的选择，结果验证，但也在特定的需要，使重要性和可靠性和不确定性之间的差异在融合过程中。
2010-05-06 cs.AI
A Structured, Probabilistic Representation of Action
Stanford University（斯坦福大学）
当智能体在现实世界中设计执行计划时，他们面临两种重要形式的不确定性：他们永远无法完全了解世界的状态，并且他们没有完全的控制权，因为他们的行动的效果是不确定的。虽然大多数经典的规划方法避免明确的不确定性推理，我们认为，不确定性应该明确表示和推理。我们开发了一个概率表示的状态和行动，基于信念网络。我们定义了条件信念网（CBN），以捕捉一个动作对世界状态的影响的概率依赖性。我们还使用CBN来表示环境中实体之间的内在关系，这些关系在状态之间持续存在。我们提出了一个简单的投影算法来构建一个行动的后续状态的信念网络，使用环境CBN模型来推断间接影响。我们讨论了如何定性方面的信念网络和CBN使他们适合的各个阶段的问题解决过程中，从模型构建规划算法的设计。
2013-02-27 cs.AI
On Modal Logics for Qualitative Possibility in a Fuzzy Setting
Spanish Council for Scientific Research (CSIC)（西班牙国家研究委员会）
在不确定性建模的可能性方法中，本文提出了一种模态逻辑系统来推理模糊命题的可能性（和必要性）的定性（比较）陈述。我们把这种定性模态逻辑与著名的知识和信念模态逻辑S5和KD 45的多值类似物MVS5和MVKD 45分别联系起来。完整性结果得到这样的逻辑，因此，他们扩展了以前现有的结果定性可能性逻辑在经典的非模糊设置。
2013-02-27 cs.AI cs.LO
Basic Formal Properties of A Relational Model of The Mathematical Theory of Evidence
Institute of Computer Science Polish Academy of Sciences Warszawa, Poland e-mail: klopotek
本文提出了一种新的观点的Dempster-Shafer信念函数的多样性在关系数据库的措施。证明了在这种解释下，证据合成的Dempster规则对应于关系数据库理论中的连接算子。这种基于粗糙集的解释本质上是定性的，并且可以表示许多置信函数算子。该解释具有的属性，即给定解释域中对象的置信度的定义，我们可以在该域中执行操作，并且所得到的对象的度量可以通过置信度算子从组件对象的度量导出。我们证明了这一属性的Dempster规则的组合，边缘化，谢弗的条件，独立的变量，谢诺伊的概念的条件独立的变量。这种解释是基于粗糙集（与决策表有关），但与以前的这种类型的解释不同的是，它计算的是决策表中的多样性而不是频率。
2017-04-08 cs.AI
Conditional indifference and conditional preservation
保持条件信念的想法最近出现了一个新的范式，倾向于指导知识状态的修正。条件句与命题信念有本质的不同，需要特殊的处理。在本文中，我们提出了一种新的方法，条件，捕捉特别是其动态的一部分，修订政策。我们彻底公理化的原则，有条件的保存作为一个无差异的财产方面的条件结构的世界。这一原则是在一个半定量的设置，以揭示其根本意义的信念修正的定量以及在定性框架。事实上，它被证明涵盖了其他提出的有条件保存的方法。
2000-03-06 cs.AI cs.LO
Reasoning With Qualitative Probabilities Can Be Tractable
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
我们最近描述了一种形式主义，用于使用“若-则”规则进行推理，这些规则以不同的坚定性水平重新表达[18]。形式主义将这些规则解释为极端条件概率陈述，指定了不可信的数量级，这对世界的可能排名施加了约束。结果表明，一旦我们计算的优先级函数Z+的规则，一个给定的查询被确认或拒绝的程度可以计算在O（log n`）命题可满足性测试，其中n是在知识库中的规则的数量。在本文中，我们证明了计算Z+需要O（n2 X log n）的可满足性测试，而不是在[18]中列出的指数数，这在Horn表达式的情况下降低到多项式复杂度。我们还展示了如何推理与不精确的意见，可以纳入我们的形式主义，以及如何流行的信念修正和认知的战壕概念体现自然和听话。
2013-03-13 cs.AI
Trust and Its Betrayal under Three Representational Strategies
Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）
该研究将信任视为虚拟认知状态，构建三种表征并探究其对Brandenburger-Keisler不可能性的影响，发现不同表征遭遇背叛时的存续方式存在显著差异。
2026-08-04 cs.AI
Belief as Willingness to Bet
CWI（荷兰国家数学与计算机科学研究中心）；ILLC, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）
我们研究具有两个一元模态算子的高概率模态逻辑：表示概率确定性的算子$K$和表示超过固定理性阈值$c\geq\frac 12$的概率的算子$B$。将知识与知识相结合，将信念与信念相结合，我们可以将$c$看作是智能体的下注阈值，这就引出了“信念就是愿意下注”这句格言。“用于$c=\frac 12$的逻辑$\mathsf{KB.5}$具有一个$\mathsf{S5}$ $K$模态以及一个次正常$B$模态，该次正常$B$模态通过四个与$K$和$B$相关的方案来扩展最小模态逻辑$\mathsf{EMND45}$，其中一个方案是由Scott的定理产生的复杂方案。Lenzen是第一个使用斯科特定理来证明这种逻辑的版本对于概率解释是合理和完整的。我们重新制定Lenzen的结果，并在这里提出他们在一个现代的和可访问的形式。此外，我们引入了一个新的认知邻域语义，将更熟悉的现代模态逻辑。使用斯科特的定理，我们提供了必须施加在有限的认知邻域模型，以保证存在的概率测度尊重阈值$c=\frac 12$的邻域函数以适当的方式的Lenzen衍生的属性。这产生了概率和模态邻域语义之间的联系，我们希望将在未来的工作中使用模态逻辑的定性概率。我们留下开放的问题，必须施加有限的认知邻域模型，以保证存在一个适当的概率阈值$c\neq\frac 12$措施的属性。
2014-12-17 cs.AI cs.LO
Reasoning for Moving Blocks Problem: Formal Representation and Implementation
Institute of Philosophy, University of Warsaw（华沙大学哲学研究所）
提出了定性推理与概率函数相结合的知识表示方法。该方法的目的是表示不确定的，定性的知识，是必不可少的移动块任务的执行。尝试形式化的常识知识进行推理和机器人的信念表示的情况演算语言。该方法在Prolog程序设计语言中实现，并针对特定的模拟场景进行测试。在大多数情况下，实现使我们能够解决给定的任务，即，移动块到所需的位置。给出了机器人推理的实例和实现程序的主要部分代码。
2013-07-28 cs.AI cs.RO
Semantic Enrichment of CAD-Based Industrial Environments via Scene Graphs for Simulation and Reasoning
Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究生院）；Tough Cyberphysical AI Research Center, Tohoku University（东北大学 Tough 跨物理AI研究中心）；RWTH Aachen University（亚琛工业大学）
本文提出通过场景图增强CAD环境，利用大型视觉-语言模型生成语义信息，以提升工业环境的模拟与推理能力。
2026-01-10 cs.AI cs.CV cs.RO
Mixed Logical and Probabilistic Reasoning for Planning and Explanation Generation in Robotics
The University of Auckland（奥克兰大学）
机器人在复杂的领域中帮助人类，必须在感觉运动水平和社会水平上代表知识和理性。本文所描述的架构耦合的非单调逻辑推理能力的声明性语言与概率信念修订，使机器人表示和推理的定性和定量的描述知识和程度的信念。具体来说，不完整的领域知识，包括在所有，但少数例外情况下，持有的信息，表示为一个答案集Prolog（ASP）程序。通过求解该程序获得的答案集用于推理、规划和联合解释（a）由于外源动作引起的意外动作结果和（b）从传感器输入提取的部分场景描述。对于任何给定的任务，答案集中包含的计划中的每个动作都是按概率执行的。自动识别与动作相关的域的子集，并且从传感器输入中提取的观测对在该域子集上定义的置信分布执行增量贝叶斯更新，其中高度可能的置信被提交给ASP程序。该体系结构的能力，说明在模拟和移动机器人的上下文中的机器人服务员在餐厅的餐厅。
2015-08-01 cs.AI cs.LO cs.RO
Preference fusion and Condorcet's Paradox under uncertainty
IRISA - University of Rennes 1（IRISA - 雷恩第一大学）
面对一个未知的情况，一个人可能无法坚定地得出他/她对不同选项的偏好，所以他/她倾向于表达不确定的偏好。给定一个由不同的人在不确定性下表达他们对某些选择的偏好的社区，为了得到整个社区的集体代表性意见，需要偏好融合过程。这项工作的目的是提出一种偏好融合方法，应对不确定性和逃避孔多塞悖论。为了对不确定性下的偏好进行建模，我们提出了一种基于信念函数理论的偏好模型，该模型准确地描述并捕获了与个人或集体偏好相关的不确定性。这一工作改进和推广了以前的结果。这项工作改进和扩展了在以前的工作中提出的贡献。我们的贡献有两方面的好处。一方面，我们提出了一个定性和表达的偏好建模策略的基础上的信念函数理论，更好地规模与源的数量。另一方面，我们提出了一个增量的距离为基础的算法（使用Jousselme距离）的集体偏好顺序的建设，以避免孔多塞Parket。
2017-08-09 cs.AI cs.GT
Bayesian Social Deduction with Graph-Informed Language Models
Purdue University（普渡大学）；Oracle（甲骨文公司）；Virginia Tech（弗吉尼亚理工大学）；Intel Labs（英特尔实验室）
本文提出一种混合推理框架，通过外部化信念推断到结构化概率模型，结合语言模型进行理解和交互，在Agent-Agent游戏中实现与大模型相当的性能，并首次在受控研究中击败人类玩家。
2026-04-10 cs.AI cs.CL cs.LG
Preferential Structures for Comparative Probabilistic Reasoning
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
对不确定性进行推理的定性和定量方法可能会导致不同的逻辑系统来形式化这种推理，即使表达不确定性的语言是相同的。在关于相对似然性的推理的情况下，使用$φ\succsimψ$形式的陈述来表达$φ$至少与$ψ$一样可能，使用预定优先结构的标准定性方法产生与使用概率度量的定量方法截然不同的逻辑系统。事实上，标准的偏好方法验证了从概率的角度来看是不正确的推理原则。然而，在本文中，我们表明，一个自然的修改优惠的方法产生完全相同的逻辑系统作为一个概率的方法-不使用单一的概率措施，而是一套概率措施。因此，在非单调逻辑和信念修正的研究中使用的相同的优先结构可以用于基于不精确概率的比较概率推理的研究。
2021-04-06 cs.AI cs.LO math.LO
