Many-valued Argumentation, Conditionals and a Probabilistic Semantics for Gradual Argumentation
Universit\`a della Calabria, Italy Universit\`a del Piemonte Orientale, Italy
本文提出渐进论证语义的多值偏好解释框架，支持条件推理与布尔组合，并以 ASP 实现有限值加权论证图推理，进而构建概率语义。
2022-12-14 cs.AI
Extension-ranking Semantics for Abstract Argumentation Preprint
Artificial Intelligence Group, University of Hagen, Hagen, Germany；Department of Advanced Computing Sciences, Maastricht University, The Netherlands；Department of Computer Science, Open Universiteit, The Netherlands；University of Cape Town, South Africa；Department of Computer Science, TU Dortmund, Dortmund, Germany
本文提出一个基于可接受性的抽象论点集排序通用框架，将Dung的扩展语义推广为扩展排序语义，引入评估原则并结合基础关系构建出一族扩展排序语义，同时调整现有方法用于扩展排序并评估其行为。
2025-04-30 cs.AI
smProbLog: Stable Model Semantics in ProbLog for Probabilistic Argumentation
KU Leuven（鲁汶大学）
本文提出将概率论证框架解释为概率逻辑程序，针对概率事实无法唯一确定原子真值的问题设计新的 PLP 语义，并实现支持该语义的 smProbLog 系统，为概率论证提供推理与学习工具。
2023-04-17 cs.AI
A Labelling Framework for Probabilistic Argumentation
CSIRO（联邦科学与工业研究组织）；University of Brescia（布雷西亚大学）；Chinese Academy of Sciences（中国科学院）；University of Bologna（博洛尼亚大学）；European University Institute（欧洲大学学院）
论证和概率的结合为定性和定量不确定性的新解释铺平了道路，从而提供了新的理论和应用机会。由于各种利益，概率论证在文献中采用不同的框架，涉及结构化和抽象论证，以及各种类型的不确定性，特别是前提可信度的不确定性，考虑哪些论点的不确定性，以及论点或陈述的接受状态的不确定性。概率论证的一般框架，我们研究了一个标签导向的框架，包括基于规则的论证和它的（半）抽象帐户的基本设置，以及不同类型的不确定性。我们的框架提供了一个系统的处理各种不确定性和它们之间的关系，并允许我们支持或质疑文献中的断言。
2018-03-09 cs.AI
Explainable Automated Reasoning in Law using Probabilistic Epistemic Argumentation
Technical University of Darmstadt（达姆施塔特工业大学）；University of Stuttgart（斯图加特大学）
将自动推理工具应用于法律决策支持和分析，有可能使法院判决更加透明和客观。由于证据的准确性和相关性往往存在不确定性，因此需要采用非经典推理方法。在这里，我们调查概率认知论证作为自动推理有关法律案件的工具。我们介绍了一个一般的计划，以模拟法律案件的概率认知论证问题，解释如何可以模拟证据和素描如何解释法律决定可以自动生成。我们的框架是很容易解释的，可以处理循环结构和不精确的概率，并保证在最坏的情况下多项式时间的概率推理。
2020-09-12 cs.AI
Understanding ProbLog as Probabilistic Argumentation
Imperial College London（伦敦帝国理工学院）；Leipzig University（莱比锡大学）；KU Leuven（鲁汶大学）
本文证明概率逻辑编程语言ProbLog是基于假设基础论证的概率抽象论证的一种实例，从而为ProbLog引入替代语义和论证性解释铺平道路。
2023-08-30 cs.AI
The Inverse Problem for Argumentation Gradual Semantics
University of Aberdeen（阿伯丁大学）；CRIL（逻辑与推理研究中心）
渐进语义与抽象论证为每个论点提供一个分数，反映其可接受性，即它被其他论点攻击的程度。许多不同的渐进语义学已经在文献中提出，每个遵循不同的原则，并产生不同的论点排名。这种语义的一个子类，即所谓的加权语义，除了图结构之外，还将参数的初始权重集作为输入，这些权重影响结果参数的排名。在这项工作中，我们考虑这样的加权语义的逆问题。也就是说，给定一个论证框架和一个期望的论证排名，我们问是否存在初始权重，使得特定的语义产生给定的排名。本文的贡献是：（1）一个算法来回答这个问题，（2）一个渐进的语义必须满足的算法操作的特性的表征，和（3）所提出的算法的经验评估。
2022-02-01 cs.AI
A Plausibility Semantics for Abstract Argumentation Frameworks
University of Luxembourg（卢森堡大学）
我们提出并研究了一个简单的排名措施为基础的扩展语义抽象的论证框架的基础上，其通用的实例化默认的知识库和排名结构语义的默认推理。在这种情况下，我们考虑从结构化到逻辑到浅语义实例化的路径。由此产生的合理的JZ扩展语义偏离更传统的方法。
2014-07-16 cs.AI
Implementing Ranking-Based Semantics in ConArg: a Preliminary Report
University of Perugia（佩鲁贾大学）；Gran Sasso Science Institute（格兰萨索科学研究所）
本研究在工具套件ConArg中实现了基于Shapley、Banzhaf等四种计算选择权力指数的排序语义，将计算社会选择的性质迁移至抽象论证框架的论证排序场景，为论证问题处理提供了新的语义支持工具。
2019-08-27 cs.AI
Probabilistic Argumentation. An Equational Approach
King’s College London（伦敦国王学院）；Bar Ilan University（巴伊兰大学）；University of Luxembourg（卢森堡大学）
有一种通用的方法可以向系统添加任何新功能。它包括：1）识别构建系统的基本单元; 2）为每个基本单元引入新功能。在系统是论证并且特征是概率的情况下，我们有以下内容。基本单位是：a。所涉及的论点的性质; b.所述参数集合S中的成员关系; c.攻击关系;以及d.扩展的选择。一般地，向论证网络<S，R>添加新的方面（概率的、或模糊的、或时间的等）可以通过向每个组件a-d添加该特征来完成。这是一种蛮力方法，可能会产生不直观或有意义的结果。一个更好的方法是有意义地将对象系统转换为另一个目标系统，该目标系统确实具有所需的方面，然后让目标系统将方面赋予初始系统。在我们的例子中，我们将论证翻译成经典的命题逻辑，并从翻译中得到概率论证。当然，我们得到什么取决于我们如何翻译。事实上，在本文中，我们引入概率语义抽象论证理论的基础上的方程方法的论证网络。然后，我们比较我们的语义与现有的建议，在文献中，包括M。Thimm和A.猎人我们的方法一般讨论的结论。
2015-03-18 cs.AI
Polynomial-time Updates of Epistemic States in a Fragment of Probabilistic Epistemic Argumentation (Technical Report)
University of Osnabrück（奥斯纳布吕克大学）；Cardiff University（卡迪夫大学）；University College London（伦敦大学学院）
概率认识论论证允许以概率论为基础的方式对论证问题进行推理。认知状态由可能世界上的概率函数表示，并且可以使用更新算子调整到新的信念。虽然概率函数的使用为这种方法提供了坚实的基础，但它也带来了计算挑战，因为要处理的数据量以指数方式取决于参数的数量。这导致了应用中的瓶颈，例如为说服对话建模对手的信念。我们展示了如何更新运营商的概率函数可以与更新运营商更紧凑的表示，允许多项式时间更新。我们讨论了这种方法的认知和概率逻辑的可行性，并证明了它在计算说服的适用性。
2019-06-12 cs.AI
On the Graded Acceptability of Arguments in Abstract and Instantiated Argumentation
University of Groningen（格罗宁根大学）；King's College London（伦敦国王学院）
本文开发了一个正式的理论的程度的理由的论点，这完全依赖于一个论证框架的结构，并可以成功地接口的方法，以实例化的论证。该理论分三步发展。首先，本文介绍了分级概括的两个关键概念的基础Dung的语义：自卫和无冲突。这导致了Dung语义的自然泛化，标准扩展根据它们满足的自卫和无冲突水平而被削弱或加强。本文研究了这些语义的不动点理论，建立了它们的存在性结果。其次，本文展示了如何分级语义很容易提供一种方法，参数排名，提供了一个新的贡献，最近不断增长的研究计划排名为基础的语义。第三，这种新的方法，以参数排名的应用和研究的背景下，实例化的论证框架，并在这样做是占一个简单的形式的累算的参数内的粪范式。最后，该理论与现有的方法进行了详细的比较。
2018-11-08 cs.AI
A Preliminary Report on Probabilistic Attack Normal Form for Constellation Semantics
University of Perugia（佩鲁贾大学）；INdAM（意大利国家高级数学研究院）
在Dung在抽象论证框架中的奠基工作之后，人们越来越有兴趣扩展Dung的语义，以描述更复杂或真实的生活情况。这些方法中的一些采取加权或概率扩展的方向。星座概率抽象论证框架（constellation Probabilistic abstract Argumentation Frameworks）是最著名的概率方法之一，本文给出了星座概率抽象论证框架的范式。此外，我们提出了从一般星座概率抽象论证框架的范式的转换。这样我们就说明了简单范式与一般范式具有相等的表示能力。
2018-09-24 cs.AI cs.LO
Empirical Evaluation of Abstract Argumentation: Supporting the Need for Bipolar and Probabilistic Approaches
University College London（伦敦大学学院）
在对话论证中，人们通常假设参与者总是正确地识别彼此提出的意图陈述，认识到所有的关联关系，符合三种可接受状态（接受、拒绝和未决定），当新的和正确的信息进入时调整他们的观点，一个只处理攻击关系的框架足以代表他们的观点。虽然将这些假设作为进一步研究的起点是很自然的，但删除它们甚至承认这种删除应该发生对其中一些概念来说比其他概念更具挑战性。概率论证是可以用来进行更准确的用户建模的方法之一。认识论的方法允许我们表示一个给定的论点被一个给定的人相信多少，为我们提供了表达不仅仅是三个同意状态的可能性。它配备了广泛的假设，包括那些不对如何看待初始论点进行任何限制的假设，因此与Dung的语义学相比，它可能更适合于处理那些没有完全公开自己观点的人的信念。星座方法可以用来代表不同的人对我们正在处理的框架结构的看法，包括并非所有关系都得到承认或与预期不同的情况。最后，双极论证框架可以用来表达论证之间的积极和消极关系。在本文中，我们描述了一个实验的结果，参与者判断对话的协议和结构。我们比较我们的研究结果与上述假设，以及与星座和认知的概率论证和两极论证的方法。
2017-12-08 cs.AI
SMProbLog: Stable Model Semantics in ProbLog and its Applications in Argumentation
KU Leuven（鲁汶大学）
我们介绍SMProbLog，概率逻辑程序设计语言ProbLog的一个推广。ProbLog程序通过为每个子句指定它属于随机抽样程序的概率来定义逻辑程序上的分布，并且这些概率是相互独立的。ProbLog的语义由查询的成功概率给出，其对应于查询在随机抽样程序中成功的概率。当每个随机样本唯一地确定所有逻辑原子的真值时，它是定义良好的。然而，论证问题代表了一个有趣的实际应用，但情况并非总是如此。SMProbLog将ProbLog的语义推广到随机采样程序可能有多个真值分配的设置，并为推理和学习任务实现相应的算法。然后，我们将展示如何使用这种新的框架来推理概率论证问题。因此，本文的主要贡献是：一个更一般的语义ProbLog程序，其实施到一个概率编程框架的推理和参数学习，和一种新的方法，概率论证问题的基础上，这样的框架。
2021-10-07 cs.AI
Probabilistic Argumentation with Epistemic Extensions and Incomplete Information
University College London（伦敦大学学院）；University of Koblenz-Landau（科布伦茨-兰道大学）
抽象论证提供了一种有吸引力的方式来表示和评估论点和反驳。这种方法可以通过为每个参数分配概率来增强。对这项任务有各种不同的解释。在本文中，我们认为分配是指代理人相信论点是合理的，即，论证的前提和论证的主张从其前提的推导都是有效的。这就引出了认知扩展的概念，它是图中在某种程度上被相信的参数的子集（我们定义为概率分配大于0.5的参数）。我们考虑各种约束的概率分配。有些约束对应于标准的扩张概念，如接地或稳定的扩张，有些约束给我们新的扩张。
2014-05-14 cs.AI
Research Note on Uncertain Probabilities and Abstract Argumentation
University of Brescia（布雷西亚大学）；Cardiff University（卡迪夫大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；Amazon（亚马逊）
国际气候变化专门委员会（IPCC）的第六次评估指出，“过去十年（2010-2019年）累积的二氧化碳净排放量与可能将变暖限制在1.5摄氏度的11个剩余碳预算大致相同（中等置信度）。“这类报告直接为公众话语提供了素材，但诸如信仰和信心程度等细微差别往往被忽视。在本文中，我们提出了一个正式的帐户，允许这样的程度的信念和相关的信心被用来标记参数在抽象的论证设置。从概率论证的其他建议，我们专注于任务的概率推理选择的查询建设佐藤的分布语义已经被证明包括各种情况下，包括贝叶斯网络的语义。借用大量的文献，这样的语义，我们研究如何在实践中处理这些任务时，考虑不确定的概率，并讨论与现有的建议概率论证的连接。
2022-08-23 cs.AI
Advancing Algorithmic Approaches to Probabilistic Argumentation under the Constellation Approach
Institute of Software Technology, Graz University of Technology（格拉茨工业大学软件技术研究所）
本文研究星座方法下概率论证推理的高复杂度问题，区分两类计数任务的复杂度，并提出基于树分解动态规划的完全外延概率计算算法，实验显示其具有应用前景。
2024-07-06 cs.AI
Formulating Semantics of Probabilistic Argumentation by Characterizing Subgraphs: Theory and Empirical Results
Zhejiang University（浙江大学）；University of Luxembourg（卢森堡大学）
在现有文献中，虽然已经提出了基于Monte-Carlo模拟技术的概率论证语义近似计算方法，但如何在不使用模拟技术的情况下提高计算效率仍然是一个悬而未决的问题。在本文中，我们从以下两个角度来解决这个问题。首先，从概念上讲，我们定义特定的属性来表征一个PrAG的子图相对于一个给定的扩展，这样的概率的一组参数E是一个扩展可以定义在这些属性，没有（或较少）建设的子图。其次，在计算方面，我们以偏好语义为例，并开发算法来评估我们的方法的效率。结果表明，该方法不仅大大减少了计算p（E^σ）的时间，而且具有与现有方法相反的吸引人的性质：PrAG的边越密集或给定扩展E的大小越大，该方法计算p（E^σ）的效率越高.同时，证明了在完全语义和优选语义下，确定p（E^σ）的问题是固定参数的易处理问题.
2016-11-28 cs.AI
Belief Revision in Structured Probabilistic Argumentation
U.S. Military Academy（美国军事学院）；University of Oxford（牛津大学）；Universidad Nacional del Sur（南方国立大学）
在实际应用中，由特定领域的所有信息组成的知识库，以及当前的事态，必然包含来自不同来源的矛盾数据，以及带有不同程度不确定性的数据。同样，与维护知识库相关的工作的一个重要方面是决定哪些信息不再有用;信息片段（如情报报告）可能已经过时，可能来自最近发现的低质量来源，或者可能有大量证据与之相矛盾。在本文中，我们提出了一个概率结构化的论证框架，产生于扩展的假设可废止逻辑编程（PreDeLP）与概率模型，并认为这种形式主义是能够解决的基本问题，处理矛盾和不确定的数据。然后，为了解决最后一个问题，我们专注于研究概率PreDeLP程序上的非优先信念修正操作。我们提出了一套合理性假设-基于著名的经典知识库开发-的特点，这些操作应该如何表现，并研究了一类运营商的理论关系与建议的假设，包括表示定理，说明这类和一类运营商之间的等价性，其特征在于由假设。
2014-01-07 cs.AI cs.LO
Algorithms and Complexity Results for Persuasive Argumentation
CNRS（法国国家科学研究中心）；LIRMM（蒙彼利埃信息、机器人与微电子实验室）；Vienna University of Technology（维也纳工业大学）
Dung（人工智能177，1995）提出的对作为抽象实体的论证及其相互作用的研究已经成为人工智能和推理领域中最活跃的研究分支之一。抽象论证系统的一个主要问题是选择可接受的参数集。基于价值的论证，如Bench-Capon（J. Logic Comput. 13，2003），扩展了Dung的框架。它考虑了相对于代表观众的排名的论点的相对强度：如果一个论点被一些观众接受，那么它是主观接受的，如果它被所有观众接受，那么它是客观接受的。判断一个论点是否被主观或客观地接受，分别是计算上难以解决的问题。事实上，这些问题在结构限制下仍然是棘手的，这些结构限制使得非基于值的论证系统的主要计算问题变得易于处理。在本文中，我们确定非平凡类的价值为基础的论证系统的接受问题是多项式时间听话。这些类是根据基于值的系统的底层图形结构通过结构限制来定义的。此外，我们表明，接受问题是棘手的两类价值为基础的系统，其中证明是由邓恩（人工智能171，2007）。
2011-04-21 cs.AI
Explaining Random Forests using Bipolar Argumentation and Markov Networks (Technical Report)
Imperial College London（伦敦帝国学院）
随机森林是一种决策树集成，可用于解决各种机器学习问题。然而，由于树木的数量和它们的个体大小可能很大，它们的决策过程往往是不可理解的。为了对决策过程进行推理，我们建议将其表示为一个论证问题。我们概括了充分和必要的论证的解释，使用马尔可夫网络编码，讨论这些解释的相关性，并建立家庭的溯因解释从文献中的关系。由于解释问题的复杂性很高，我们讨论了概率近似算法，并提出了第一个实验结果。
2022-11-21 cs.AI cs.LG cs.LO
Efficient Probabilistic Inference with Partial Ranking Queries
School of Computer Science（计算机科学学院）；Microsoft Research（微软研究院）；Carnegie Mellon University（卡内基梅隆大学）
排名上的分布被用于在各种设置中对数据进行建模，例如偏好分析和政治选举。然而，排名空间的阶乘大小通常迫使人们做出结构性假设，例如平滑性，稀疏性或这些潜在分布的概率独立性。我们接近建模问题的计算原则，应该作出结构性假设，允许典型的概率查询的有效计算。对于排名模型，“典型”查询主要采取部分排名查询的形式（例如，给定用户的前k个最喜欢的电影，他对剩余电影的偏好是什么？）。在本文中，我们认为，在最近的文献[7，8]中提出的随机独立因子分解是一个自然的结构假设的排名分布，允许特别有效的处理部分排名查询。
2012-02-14 cs.AI cs.LG stat.ML
Probabilistic Zero-shot Classification with Semantic Rankings
The Ohio State University（俄亥俄州立大学）
在本文中，我们提出了一个非度量排名为基础的表示语义相似性，允许自然聚合的语义信息从多个异构源。我们将基于排名的表示应用于零样本学习问题，并提出了确定性和概率性的zero-shot分类器，可以从预先训练的分类器中构建，而无需重新训练。我们在两个大型的真实世界图像数据集上展示了它们的优势。特别是，我们表明，聚合不同来源的语义信息，包括众包，导致更准确的分类。
2015-02-27 cs.AI cs.CV cs.LG
Heuristic Ranking in Tightly Coupled Probabilistic Description Logics
University of Oxford（牛津大学）；Oxford Martin School, University of Oxford（牛津大学牛津马丁学院）
近年来，语义网的努力一直在稳步增长。特别是，Web搜索公司最近意识到他们的产品需要朝着具有更丰富的语义搜索能力的方向发展。描述逻辑（DL）已被采用作为语义Web语言用于描述本体的形式化基础。鉴于网络上发现的数据的性质，不确定性下的推理最近在这个领域发挥了主导作用。在本文中，我们提出了一个概率扩展的DL EL++（这是OWL2 EL配置文件的基础）使用马尔可夫逻辑网络（MLNs）作为概率语义。这个扩展是紧密耦合的，这意味着公式中的概率注释可以引用本体中的对象。我们表明，即使我们的语言的紧密耦合的性质意味着，许多基本的操作是数据棘手的，我们可以利用MLN的子语言，允许排名的原子结果的本体相对于他们的概率值（称为排名查询），即使这些值没有完全计算。我们提出了一个随时算法来回答排名查询，并提供了一个上限的错误，它所招致的，以及一个标准，以决定何时保证结果是正确的。
2012-10-16 cs.AI cs.LO
Probabilistic Offline Policy Ranking with Approximate Bayesian Computation
Arizona State University（亚利桑那州立大学）；Brigham Young University（杨百翰大学）
针对离线策略排序中现有基于价值的方法无法刻画整体性能、稀疏奖励下估值难的问题，提出不依赖价值估计的POPR框架及POPR-EABC方法，可实现多场景下策略的概率式比较与排序。
2023-12-17 cs.AI cs.LG
PiCSAR: Probabilistic Confidence Selection And Ranking for Reasoning Chains
Imperial College London（伦敦帝国学院）；University of Edinburgh（爱丁堡大学）；UCL（伦敦大学学院）
PiCSAR通过联合对数似然度评估推理链和最终答案的置信度，无需训练即可提升大语言模型和推理模型的准确性，在多个基准测试中表现优异。
2026-07-14 cs.AI cs.CL
Efficiently Learning Probabilistic Logical Models by Cheaply Ranking Mined Rules
Bennu.Ai Edinburgh（贝努人工智能爱丁堡）；University of Edinburgh（爱丁堡大学）；Samsung AI Cambridge（三星人工智能剑桥）
本文提出SPECTRUM框架，通过线性时间挖掘循环子图并基于规则效用排序，高效学习概率逻辑模型，在CPU上以极低耗时达到优于GPU上神经网络的准确性。
2025-10-06 cs.AI
RankPL: A Qualitative Probabilistic Programming Language
University of Luxembourg（卢森堡大学）
在本文中，我们介绍RankPL，建模语言，可以被认为是一个定性的概率程序设计语言的语义的基础上Spohn的排名理论的变体。一般来说，RankPL可以用来表示和推理那些表现出不确定性的过程，这些不确定性可以通过区分“正常”和“令人惊讶”的事件来表达。RankPL允许（迭代）修改替代程序状态的排名，并支持各种类型的推理，包括溯因推理和因果推理。我们提出的语言，它的指称语义，和一些实际的例子。我们还讨论了可供下载的RankPL的实现。
2017-05-19 cs.AI cs.PL
On the Relation between Kappa Calculus and Probabilistic Reasoning
Rockwell Science Center（罗克韦尔科学中心）
我们研究了kappa演算和概率推理在诊断应用中的联系。具体来说，我们抽象的概率信念网络诊断故障到一个Kappa网络，并比较使用这两种方法计算的故障的顺序。我们表明，至少对于检查的例子，故障的顺序一致，只要考虑到所有的因果关系在原来的概率网络。我们还提供了一个正式的分析，一些网络结构，这两种方法将不同。Kappa等级和无穷小概率都被广泛用于研究缺省推理和信念修正。但是，在利用上述联系方面却做得很少。这部分是因为kappa和概率演算之间的关系假设概率任意接近于1（或0）。本文中的实验研究这种关系时，这个假设不满足。报告的结果有重要的影响，使用Kappa排名，以提高知识工程的不确定性模型。
2013-02-27 cs.AI
Belief propagation for permutations, rankings, and partial orders
Santa Fe Institute（圣塔菲研究所）
许多数据集通过指示哪个团队赢得了比赛，用户喜欢哪个项目，或者谁感染了谁来提供有关排序或排名的部分信息。我们定义了一个连续自旋系统的吉布斯分布是后验分布的排列，这些相互作用的概率模型。使用腔方法，我们推导出一个信念传播算法，计算每个节点的位置的边缘分布。此外，Bethe自由能让我们近似一个偏序的线性扩展的数量，并在竞争的概率模型之间进行模型选择，例如Bradley-Terry-Luce噪声比较模型及其表兄弟。
2022-05-05 cond-mat.stat-mech cs.AI cs.LG
Classification of retail products: From probabilistic ranking to neural networks
College of Computing and Information Technology, Arab Academy for Science, Technology and Maritime Transport（阿拉伯科学、技术与海运学院计算与信息技术学院）；Universidade de Vigo（维戈大学）
针对食品零售数据提供商Midiadia的人工商品分类问题，本文提出三级食品分类自动方案，对比基于评分排序、传统机器学习、深度神经网络三类方法，发现传统机器学习性能最优。
2023-12-12 cs.AI
Generalised Probabilistic Modelling and Improved Uncertainty Estimation in Comparative LLM-as-a-judge
Engineering Department University of Cambridge UK（剑桥大学工程系）
该研究拓展了比较式LLM-as-a-judge的概率建模框架，提出改进的单次比较与整体排序不确定性估计方法，结合绝对与比较评分提升性能，实验显示可减少约50%的比较次数。
2025-05-21 cs.AI cs.LG stat.ML
COTCAgent: Preventive Consultation via Probabilistic Chain-of-Thought Completion
School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院）；Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（中国电子科学与技术大学深圳高级研究所）；School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）
本文提出COTCAgent框架，通过概率性思维链完成实现纵向电子健康记录的预防性咨询，解决了现有大语言模型在纵向EHR推理中的统计学推理不足和时间序列依赖性捕捉困难问题。
2026-09-29 cs.AI cs.CL
General Belief Measures
概率测量本身，被认为是不合适的建模的动力学的平原信念和他们过于强大的可测量性约束，使他们不适合一些代表性的任务，例如，在一阶知识的背景下。因此，在本文中，我们将寻找可能的替代方案和扩展。首先，我们划定了一般领域的利益，提出了一个最低限度的假设清单，以满足任何合理的准概率估值概念。在这个框架内，我们研究了两种特别有趣的准措施，没有或少得多的传统问题的影响。* 排序测度，推广了Spohn型测度和可能性测度。* 累积的措施，结合概率和排名的哲学，从而允许一个细粒度的静态和动态的信念。
2013-02-27 cs.AI
Evaluating Artificial Systems for Pairwise Ranking Tasks Sensitive to Individual Differences
Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究科）；RIKEN Center for AIP（理化学研究所人工智能研究中心）
由于深度学习的进步，人工系统现在在几个模式识别任务中与人类竞争，例如对象类别的视觉识别。然而，这只是正确答案独立于人类感知存在的任务的情况。还有另一种类型的任务，预测的是人类的感知本身，其中通常存在个体差异。然后，不再有单一的“正确”答案来预测，这使得评估人工系统变得困难。针对对个体差异敏感的两两排序任务，提出了一种评价方法。给定由人工系统生成的多个项目对的排名结果，我们的方法量化了人类生成相同排名结果的概率，并判断它是否与人类生成的结果区分开来。我们引入了人类排序行为的概率模型，并提出了一种有效的计算方法的判断。为了从小样本中准确地估计模型参数，我们提出了一种方法，该方法使用注释者给出的置信度得分来对每个项目对进行排名。以一个根据物体的材料属性对图像对进行排序的任务为例，我们演示了所提出的方法是如何工作的。
2019-05-30 cs.AI cs.CV cs.LG
Approximate Lifted Inference with Probabilistic Databases
Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
本文提出了一种新的近似评估的概率数据库的#P-hard查询。在我们的方法中，每一个查询都是在数据库引擎中进行评估的，通过评估固定数量的查询计划，每个计划提供一个真实概率的上限，然后取其最小值。我们提供了一个算法，考虑到重要的模式信息，枚举所有可能的计划中只有最小的必要计划。重要的是，该算法是PTIME self-join-free合取查询的所有已知结果的严格推广：当且仅当我们的算法返回一个单一计划时，查询是安全的。我们还应用了三个关系查询优化技术，以评估所有最小的安全计划非常快。我们给我们的方法进行了详细的实验评估，并在这个过程中，提供了一种新的思路的概率方法的非概率方法的查询答案排名的价值。
2014-12-02 cs.AI cs.DB
Probabilistic Relational Planning with First Order Decision Diagrams
Oregon State University（俄勒冈州立大学）；Tufts University（塔夫茨大学）
动态规划算法已成功地应用于命题随机规划问题，通过使用紧凑的表示，特别是代数决策图，捕捉域动态和价值函数。符号动态规划的工作提升了这些想法，一阶逻辑使用几种表示方案。最近的工作介绍了一阶变量的决策图（FODD），并开发了一个值迭代算法，这种表示。本文开发了几个改进的FODD算法，使该方法的实用。这些包括，新的减少运营商，减少的大小表示，几个加速技术，和技术的值近似。在此基础上，提出了一个求解相关随机规划问题的规划系统FODD-Planner。该系统在几个领域进行了评估，包括最近的国际规划竞赛的问题，并显示出与顶级系统的竞争力。这是第一次证明这种方法的可行性，它表明，通过紧凑的表示抽象是一个很有前途的方法随机规划。
2014-01-16 cs.AI
Dissociation and Propagation for Approximate Lifted Inference with Standard Relational Database Management Systems
Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
大数据集上的概率推理是一个具有挑战性的数据管理问题，因为精确推理通常是P-困难的，并且目前最常用基于采样的方法近似解决。本文提出了一种替代方法的近似评估的合取查询与标准的关系数据库：在我们的方法中，每个查询完全在数据库引擎评估一个固定数量的查询计划，每个提供一个上限的真实概率，然后采取他们的最小值。我们提供了一个算法，考虑到重要的模式信息，枚举所有可能的计划中只有最小的必要计划。重要的是，该算法是所有已知的PTIME自连接自由合取查询的严格推广：当且仅当我们的算法返回一个单一的计划时，查询在PTIME中。此外，我们的方法是一个家庭的有效的排名方法从图超图的推广。我们还采用了三种关系型查询优化技术来快速评估所有必要的计划。我们给我们的方法进行了详细的实验评估，并在这个过程中，提供了一种新的思路的概率方法的非概率方法的查询答案排名的价值。我们还注意到，本文中开发的技术立即适用于解除推理统计关系模型，因为解除推理对应于PTIME计划的概率数据库。
2016-06-14 cs.AI cs.DB
Probabilistic Box Embeddings for Uncertain Knowledge Graph Reasoning
UMass Amherst（马萨诸塞大学阿默斯特分校）；USC（南加州大学）；Information Sciences Institute, USC（南加州大学信息科学研究所）；UCLA（加州大学洛杉矶分校）
知识库通常由从各种来源收集的事实组成，其中许多是嘈杂的，其中一些是冲突的，导致每个三元组的不确定性水平。知识库也往往是不完整的，促使使用嵌入方法从已知的事实进行归纳，然而，现有的嵌入方法只模型的三层不确定性，推理结果缺乏全局一致性。为了解决这些缺点，我们提出了BEUrRE，一种新的不确定知识图谱嵌入方法与校准的概率语义。BEUrRE将每个实体建模为一个盒子（即轴对齐的超矩形），并将两个实体之间的关系建模为头部和尾部实体盒子上的仿射变换。盒子的几何形状允许有效地计算交叉点和体积，赋予模型校准的概率语义，并促进关系约束的结合。在两个基准数据集上进行的大量实验表明，BEUrRE在置信度预测和事实排名方面始终优于基线，这是由于其概率校准和捕获事实之间高阶依赖关系的能力。
2021-04-09 cs.AI cs.CL cs.LG
