Loglinear models for first-order probabilistic reasoning
University of York（约克大学）
最近的工作对数线性模型的概率约束逻辑编程适用于一阶概率推理。概率直接定义在原子公式的证明上，并通过原子公式本身的边缘化来定义。我们使用随机逻辑程序（SLP）组成的标记和未标记的确定性条款来定义的证明概率。我们有一个保守的一阶推理的扩展，因此，例如，在逻辑变量和随机变量之间有一个一一映射。我们展示了如何，在这个框架中，归纳逻辑程序设计（ILP）可以用来诱导的对数线性模型的功能，从数据。我们还比较了所提出的框架与其他方法的一阶概率推理。
2013-01-23 cs.AI
Probabilistic Deduction: an Approach to Probabilistic Structured Argumentation
Nanyang Technological University（南洋理工大学）
本文介绍了概率推理（PD）作为一种概率结构化论证的方法。PD框架由概率规则（p-规则）组成。作为经典结构化论证框架中的规则，p-规则构成了演绎系统。此外，p规则还表示定义联合概率分布的条件概率。在PD框架下，通过求解规则概率可满足性来进行概率推理。同时，通过论证和攻击，可以获得对概率推理的论证性解读。在这项工作中，我们介绍了封闭世界假设（P-CWA）的概率版本，并证明我们的概率方法符合P-CWA下的经典论证的完全扩展和最大熵推理。我们提出了几种方法来计算联合概率分布从p-规则实现一个实用的证明理论PD。PD提供了一个框架，以统一的概率推理与论证推理。这是第一个工作的概率结构化论证的联合分布是不假定形式的外部来源。
2022-09-01 cs.AI
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
Integrating Logical and Probabilistic Reasoning for Decision Making
Rockwell International Science Center（罗克韦尔国际科学中心）；Stanford University（斯坦福大学）
我们描述了一种表示和一组推理方法，结合逻辑编程技术与概率网络表示的不确定性（影响图）。该技术强调复杂和不确定领域的概率和决策理论模型的动态构建和解决方案。给定一个查询，如果可能的话，会产生一个逻辑证明;如果不可能，会产生一个基于查询和决策域知识的影响图，并随后求解。一个统一的声明，一阶，知识表示相结合的逻辑，概率和决策理论推理的综合推理过程。
2013-03-27 cs.AI
Swift Markov Logic for Probabilistic Reasoning on Knowledge Graphs
Banca d’Italia（意大利银行）；TU Wien（维也纳工业大学）；University of Oxford（牛津大学）
我们提供了一个基于Vadalog的知识图谱（KGs）的概率推理框架，满足本体推理的要求：全递归、强大的存在量化、归纳定义的表达. Vadtron是一种基于Warded Datrons +/-的知识表示和推理（KRR）语言，Warded Datrons +/-是存在规则的逻辑核心语言，在计算复杂性和表达能力之间具有良好的平衡。处理不确定性是与KG进行推理的关键。然而，Vadminister和Warded Datasheet +/-没有被现有的概率逻辑编程和统计关系学习方法所覆盖，原因有几个，包括对存在量化递归的支持不足，以及不可能表达归纳定义。在这项工作中，我们引入软Vadministration，概率扩展Vadministration，满足这些desiderata。一个软Vadministration程序诱导我们所谓的概率知识图谱（PKG），它由一个网络上的概率分布的追逐实例，结构通过接地的规则在数据库中使用追逐过程。我们利用PKG的概率边际推理。我们讨论的理论和目前MCMC-chase，蒙特卡罗方法在实践中使用软Vadministration。我们将我们的框架应用于解决数据管理和工业问题，并在Vadtron系统中进行了实验评估。逻辑程序设计理论与实践（TPLP）
2022-10-01 cs.AI
dPASP: A Comprehensive Differentiable Probabilistic Answer Set Programming Environment For Neurosymbolic Learning and Reasoning
Universidade de São Paulo（圣保罗大学）
本文提出 dPASP 框架，通过整合神经谓词、逻辑约束与区间值概率选择，在多种概率逻辑程序语义下实现可微神经符号推理与端到端学习，并提供易用的实现软件包。
2023-08-05 cs.AI cs.LG cs.LO
Probabilistic Answer Set Programming with Discrete and Continuous Random Variables
University of Ferrara（费拉拉大学）
针对PASP仅支持离散随机变量的局限，本文提出HPASP框架以结合离散与连续变量，实现并评估两类精确算法（投影枚举、知识编译）和两类近似采样算法，发现知识编译提升精确推理性能，采样适用于大实例。
2024-09-30 cs.AI
A Complexity Map of Probabilistic Reasoning for Neurosymbolic Classification Techniques
IRT SystemX；CentraleSupélec（中央高等电力学院）
本文针对神经符号分类中的概率推理问题，构建统一形式化框架并汇编复杂度图谱，以刻画多种技术的可扩展性边界。
2025-01-23 cs.AI cs.CC cs.LG
Explainable Fact Checking with Probabilistic Answer Set Programming
EURECOM（EURECOM通信系统研究所）；Arizona State University（亚利桑那州立大学）
事实核查的一个挑战是提高决策透明度的能力。我们提出了一个事实检查方法，使用知识图谱（KG）中的参考信息来评估索赔并解释其决策。知识库包含知识的形式化表示，其中包含实体及其关系的语义描述。我们利用这样丰富的语义产生可解释的解释的事实检查输出。由于KG中的信息不可避免地是不完整的，我们依靠逻辑规则发现和Web文本挖掘来收集证据来评估给定的索赔。将不确定的规则和事实转化为逻辑程序，并将检查任务建模为答案集程序概率扩展中的推理问题。实验表明，概率推理能够有效地标记具有可解释解释的解释的索赔，并且结果的质量高于最先进的基线。
2019-06-21 cs.AI cs.DB cs.LO
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
Weight Learning in a Probabilistic Extension of Answer Set Programs
School of Computing, Informatics and Decision Systems Engineering（计算、信息与决策系统工程学院）；Arizona State University（亚利桑那州立大学）
LPMLN是答案集程序的概率扩展，其权重方案源自马尔可夫逻辑。以前的工作已经表明如何在LPMLN推理可以实现。本文提出了LPMLN中权学习的概念，并从Markov逻辑的权学习算法中导出了LPMLN的学习算法。我们还提出了一个原型实现，使用答案集求解器的学习，以及一些示例域，说明不同的LPMLN学习功能。在LPMLN学习是根据稳定的模型语义，从而学习参数的概率扩展知识丰富的领域，答案集编程已被证明是有用的，但限于确定性的情况下，如可达性分析和推理的行动在动态域。我们还应用该方法来学习参数的概率溯因推理的行动。
2018-10-09 cs.AI
Probabilistic Inductive Logic Programming Based on Answer Set Programming
National University of Ireland, Galway（爱尔兰国立大学戈尔韦）
提出了一种新的基于回答集编程（ASP）的概率知识表达形式语言。它允许注释一阶公式以及ASP规则和具有概率的事实，并从数据中学习这些权重（参数估计）。加权公式给出了一个语义方面的软，硬约束，决定了概率分布的答案集。在相关的方法相比，我们的方法推理可选地利用所谓的精简XOR约束，以减少计算的答案集的数量。我们的方法是原型实现。举例说明了引入的概念，并指出了未来研究的问题和主题。
2014-05-04 cs.AI
Fact-Tree Reasoning for N-ary Question Answering over Knowledge Graphs
Nankai University（南开大学）；Sichuan University（四川大学）；University of Innsbruck（因斯布鲁克大学）
在问答（QA）任务中，为了在知识图谱（KG）上进行更高效、更可解释的答案推理，近年来多跳推理框架得到了广泛的研究。然而，多跳推理是不适用于回答n元的事实问题，由于其线性推理的性质。我们发现有两个可行的改进：1）将基本推理单元从实体或关系升级为事实; 2）将推理结构从链升级为树。在此基础上，提出了一种新的事实树推理框架，通过将问题转化为事实树，并对其进行迭代事实推理来预测正确答案。通过对本文引入的n元事实KGQA数据集的综合评价，我们证明了所提出的事实树推理框架具有预期的高答案预测精度的优势。此外，我们还评估了两个二进制KGQA数据集上的事实树推理框架，并表明我们的方法也有很强的推理能力相比，几个优秀的基线。这项工作对探索复杂的推理场景有直接的影响，并提供了一个初步的基线方法。
2022-03-14 cs.AI
Reasoning with Probabilistic Logics
University of Ferrara（费拉拉大学）
在过去的几年里，将概率与逻辑结合起来建模世界的兴趣迅速增加。分布语义学是一种有效的方法，它被许多逻辑程序设计语言和描述逻辑所采用。在本文中，我们说明了我们在这一研究领域所做的工作，提出了一个概率语义的描述逻辑和推理和学习算法。特别是，我们详细介绍了系统TRILL P，它计算的概率查询w.r.t.概率知识库，这已经在Prolog中实现。注意事项：论文的扩展摘要/完整版本，将在第30届逻辑编程国际会议（ICLP 2014）的博士联盟上发表，7月19日至22日，维也纳，奥地利
2015-01-29 cs.AI
REASON: Accelerating Probabilistic Logical Reasoning for Scalable Neuro-Symbolic Intelligence
REASON通过统一图表示和自适应剪枝技术，实现概率逻辑推理的加速，提升神经符号AI的效率与可扩展性。
2026-01-28 cs.AI cs.AR
Scalable Neural-Probabilistic Answer Set Programming
TU Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心（hessian.AI））；Centre for Cognitive Science, TU Darmstadt（达姆施塔特工业大学认知科学中心）；German Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
针对现有深度概率编程语言联合概率估计能力不足的问题，提出新型DPPL框架SLASH，集成可处理概率推理，通过神经概率谓词与ASP结合，支持多类概率查询，剪枝优化可扩展性，在多任务上验证有效。
2023-06-14 cs.AI
Neural Probabilistic Logic Learning for Knowledge Graph Reasoning
Beijing University of Posts and Telecommunications（北京邮电大学）；Jiaxing University（嘉兴大学）
本文提出神经概率逻辑学习框架NPLL，通过评分模块增强嵌入网络表达能力，并结合基于变分推断的马尔可夫逻辑网络提升可解释性，在多个基准数据集上显著提高了知识图谱推理的准确性与质量。
2024-07-04 cs.AI cs.LG
An Inequality Paradigm for Probabilistic Knowledge
我们提出了一个不等式的概率推理的基础上的逻辑上的条件概率的上限和下限的范例。我们研究一族概率逻辑，推广了Nilsson的工作[14]。我们开发了各种逻辑概念的概率推理，包括健全性，完整性的理由;和收敛：减少一个理论到一个更简单的逻辑类。我们认为，一个绑定视图是特别有用的概率知识表示的语义描述和描述概率推理和更新的中间状态。我们表明，证据的Dempster-Shafer理论是正式相同的一个特殊情况下，我们的广义概率逻辑。因此，我们的范式结合了贝叶斯“基于规则”的方法和公开的非贝叶斯“证据”的方法，如MYCIN和DempsterShafer。我们建议如何整合这两个“学校”，并探讨了一些可能性，为新的综合各种想法的概率推理。
2013-03-27 cs.AI
Reasoning in Non-Probabilistic Uncertainty: Logic Programming and Neural-Symbolic Computing as Examples
University of Bremen（不来梅大学）；City University London（伦敦城市大学）；University of Edinburgh（爱丁堡大学）；University of Luxembourg（卢森堡大学）；University of Amsterdam（阿姆斯特丹大学）
本文旨在实现两个目标：表明概率不是处理不确定性的唯一方法（甚至还有一些不确定性是由于概率方法无法解决的原则性原因）;并提供证据证明基于逻辑的方法可以很好地支持不确定性推理。对于后者的要求，两个范例：逻辑编程与Kleene语义建模推理的话语中的信息，对预期模型的状态的事务的解释，和神经符号实现的输入/输出逻辑处理不确定性在动态规范的上下文中。
2017-03-01 cs.AI
Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and Execution
UCLA Center for Vision Cognition Learning and Autonomy（加州大学洛杉矶分校视觉认知学习与自主中心）
时空推理是人工智能中一项具有挑战性的任务，这是由于其要求高但独特的性质：理论上要求基于头脑中的时空知识进行表示和推理，应用上要求能够在空间和时间中导航和行动的高级认知系统。最近的工作集中在这种抽象推理任务-乌鸦的进步矩阵（RPM）。尽管RPM取得了令人鼓舞的进展，在准确性方面达到了人类水平的性能，但现代方法既没有处理类似人类的泛化推理，也没有生成答案的潜力。为了填补这一空白，我们提出了一个神经符号概率绑架和执行（PrAE）学习者;中央的PrAE学习者是概率绑架和执行的概率场景表示的过程中，类似于心理操纵的对象。具体来说，我们从一个单一的模型中解开感知和推理。神经视觉感知前端预测对象的属性，随后由场景推理引擎聚合以产生概率场景表示。在符号逻辑推理后端，PrAE学习器使用表示来推导隐藏规则。通过对概率表示执行规则来预测答案。整个系统以分析合成的方式进行端到端的训练，没有任何视觉属性注释。大量的实验表明，PrAE学习器提高了交叉配置的泛化能力，并能够呈现一个答案，与以前的作品，只是从候选人中进行分类选择。
2021-05-14 cs.AI cs.CV cs.LG
Unsupervised Knowledge Graph Alignment by Probabilistic Reasoning and Semantic Embedding
Tencent Jarvis Lab（腾讯天衍实验室）；University of Oxford（牛津大学）；Tencent（腾讯）；Zhejiang University（浙江大学）
知识图谱（KG）对齐是为了发现映射（即，等同实体、关系和其他）。现有的方法可以分为基于嵌入的模型和传统的基于推理和词汇匹配的系统。前者通过跨KG嵌入计算实体的相似性，但它们通常依赖于理想的监督学习设置以获得良好的性能，并且缺乏适当的推理以避免逻辑错误的映射;而后者解决了推理问题，但在利用KG图结构和实体上下文方面很差。在这项研究中，我们的目标是结合上述两个解决方案，从而提出了一个迭代框架命名为PRASE，这是基于概率推理和语义嵌入。它从概率推理系统PARIS中通过实体映射学习KG嵌入，并将得到的实体映射和嵌入反馈回PARIS进行增强。PRASE框架与不同的基于嵌入的模型兼容，我们在多个数据集上的实验证明了其最先进的性能。
2021-06-11 cs.AI cs.CL cs.LG
Deep probabilistic logic programming for diagnostic reasoning from incomplete information: A case study in stroke detection
German University of Digital Science（德国数字科学大学）
本研究以脑卒中检测为案例，提出结合最大熵技术与DeepProbLog的诊断系统构建方法，分析了不完整数据模型的性能及ProbFOIL 2压缩模型的潜力，拓展了神经符号方法在医疗诊断中的应用。
2026-08-11 cs.AI
Probabilistic Logic Programming under Inheritance with Overriding
我们提出了概率逻辑编程下的继承覆盖。这种方法是基于新的概念蕴涵推理的条件约束，这是从经典的概念逻辑蕴涵通过添加继承与覆盖的原则。这是通过使用最近的方法概率默认推理与条件约束。我们分析了新蕴涵关系的语义特性。我们还提出了概率逻辑编程的算法继承覆盖，程序转换，以提高效率。
2013-01-10 cs.AI
SLASH: Embracing Probabilistic Circuits into Neural Answer Set Programming
TU Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心 (hessian.AI)）
结合神经网络的鲁棒性和符号方法的表达性的目标重新点燃了对神经符号AI的兴趣。神经符号人工智能的最新进展通常考虑由不相交的神经和符号组件组成的专门定制的架构，因此没有表现出通过将它们集成到统一框架中可以实现的期望收益。我们介绍SLASH --一种新的深度概率程序设计语言（DPPL）。在其核心，SLASH由神经概率谓词（NPP）和逻辑程序组成，这些程序通过答案集编程联合起来。由NPP产生的概率估计充当逻辑程序和原始输入数据之间的绑定元素，从而允许SLASH回答任务相关的逻辑查询。这使得SLASH能够在一个统一的框架中优雅地整合符号和神经组件。我们评估SLASH的基准数据MNIST除了以及DPPL的新任务，如缺失数据预测和集合预测与国家的最先进的性能，从而显示我们的方法的有效性和通用性。
2021-11-23 cs.AI
The RatioLog Project: Rational Extensions of Logical Reasoning
Universität Koblenz-Landau（科布伦茨-兰道大学）；Harz University of Applied Sciences（哈尔茨应用技术大学）
高级认知包括逻辑推理和用常识回答问答的能力。RatioLog项目通过自动推理和认知计算的方法解决了深度问答中的理性推理问题。在第一阶段，我们结合了信息检索和机器学习的技术，从德语版的自由百科全书“维基百科”中的大量文本中找到合适的答案候选人。在第二阶段中，自动定理证明器尝试基于其逻辑表示来验证答案候选者。在第三阶段-因为知识可能是不完整和不一致的-我们考虑扩展逻辑推理，以改善结果。在这种情况下，我们的工作对人类推理技术的应用：我们采用可废止的推理比较的答案w.r.t.具体性，道义逻辑，规范推理和模型构建。此外，我们使用集成的基于案例的推理和机器学习技术的基础上的语义结构的问题和答案的候选人学习给出正确的答案。
2015-07-30 cs.AI
PRASEMap: A Probabilistic Reasoning and Semantic Embedding based Knowledge Graph Alignment System
Tencent Jarvis Lab（腾讯贾维斯实验室）；University of Oxford（牛津大学）；Tencent Platform and Content Group（腾讯平台与内容事业群）；Tencent Healthcare (Shenzhen) Co., LTD.（腾讯医疗健康（深圳）有限公司）
知识图谱（KG）对齐旨在找到等价的实体和关系（即，两个KG之间的映射。现有的方法利用基于推理或基于语义嵌入的技术，但很少有研究探讨他们的组合。在这个演示中，我们提出了PRASEMap，一个无监督的KG对齐系统，它使用概率推理（PR）和语义嵌入（SE）技术迭代计算映射。PRASEMap可以支持各种基于嵌入的KG对齐方法作为SE模块，并且实现简单的人机交互，其另外为用户提供将映射注释反馈回系统以获得更好结果的选项。该演示通过一个具有用户友好界面的独立Web应用程序展示了这些功能。该演示可在https://prasemap.qizhy.com上获得。
2021-08-20 cs.AI cs.CL cs.LG
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
Probabilistic Reasoning across the Causal Hierarchy
Stanford University（斯坦福大学）
我们提出了一个形式化的三层因果层次的关联，干预和反事实作为一系列的概率逻辑语言。我们的语言是严格增加的表现力，第一个能够表达定量概率推理-包括条件独立性和贝叶斯推理-第二个编码做演算推理的因果关系，第三个捕获一个完全表达做演算任意反事实查询。我们给出了相应的一系列有限公理化完成的结构因果模型和概率程序，并证明了满足性和有效性的每种语言是在多项式空间中可判定的。
2021-06-02 cs.AI cs.LO
Characterizing and Reasoning about Probabilistic and Non-Probabilistic Expectation
期望是概率论的核心概念。期望的概念也适用于其他不确定性的概念。我们引入了一个命题逻辑推理的期望，语义取决于潜在的表示的不确定性。在基本表示是（a）概率，（b）概率测度集，（c）置信函数和（d）可能性测度的情况下，我们给出了该逻辑的合理而完整的公理化.我们表明，这种逻辑是更有表现力的比相应的逻辑推理的可能性的情况下的概率措施集，但同等表现力的情况下，概率，信念，和可能性。最后，我们证明了这些逻辑的可满足性是NP-完全的，并不比命题逻辑的可满足性难。
2007-04-20 cs.AI cs.LO
Probabilistic Arc Consistency: A Connection between Constraint Reasoning and Probabilistic Reasoning
Simon Fraser University（西蒙弗雷泽大学）
我们证明了约束推理和概率推理之间的联系。我们提出了一个算法，称为{em概率弧一致性}，这是一个众所周知的算法的推广弧一致性用于约束推理，和一个特殊的单连通网络的信念更新算法。我们的算法对单连通约束问题是精确的，但对任意问题都可以很好地近似。我们简要地讨论了一些经验结果，和相关的方法。
2013-01-16 cs.AI
Probabilistic Inference and Probabilistic Reasoning
University of Rochester（罗切斯特大学）
不确定性至少以两种方式进入人类的推理和推断。我们有理由假设，这些不同的不确定性用途在自动推理中也会发挥作用。
2013-03-27 cs.AI
Coefficients of Relations for Probabilistic Reasoning
为了表达近似知识和概率推理，给出了一些常用的量化对象集合之间关系的数值系数的定义和符号，并附有历史参考。
2013-03-27 cs.AI
Differentiable Probabilistic Logic Networks
SingularityNET Foundation（SingularityNET基金会）；ITMO University（ITMO大学）
概率逻辑推理是OpenCog等认知架构的核心组件。然而，作为一个综合架构，OpenCog通过混合不同的推理方法促进认知协同。在本文中，我们介绍了一个可微版本的概率逻辑网络，规则操作张量真值的方式，一个链的推理步骤构建一个计算图的张量，接受真值的前提知识库作为输入，并产生真值的结论作为输出。这允许通过结合子符号优化和符号推理的反向传播来学习前提的真值和规则的公式（以具有可训练权重的形式指定）。
2019-07-10 cs.AI cs.LO
Probabilistic Reasoning about Actions in Nonmonotonic Causal Theories
我们提出的语言{MP}{CAL C}+概率推理的行动，这是一个概括的行动语言{CAL C}+，允许处理概率以及不确定性的影响的行动。我们定义了一个正式的语义{MP}{CAL C}+在状态集之间的概率转换。使用一个概念的历史和它的信念状态，然后，我们展示了如何在推理行动的几个重要问题，可以简洁地制定在我们的形式主义。
2012-10-19 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
Non-Monotonicity in Probabilistic Reasoning
Stanford University（斯坦福大学）
首先，我们定义了一种方法，非单调概率推理的非单调分类（真假）推理。我们确定了一种类型的非单调概率推理，类似于默认继承，这是在实践中常见的，特别是在“证据”和“贝叶斯”推理。我们制定这方面的条件独立性（MCI）的最大化，并确定了各种应用这种默认。我们提出了一个形式化使用逐点限制。我们将MCI与另一种非单调原理最大熵进行了比较，并提出了一些有待解决的问题
2013-03-27 cs.AI
Implementing Probabilistic Reasoning
Stanford University（斯坦福大学）
一般的问题，在概率数据库中的信息分析被认为是。存储不确定的数据，使用它的传统的前向或后向链接推理引擎，并与概率版本的分辨率的工作的实际困难（和偶尔的优点）进行了讨论。本文的背景是将不确定推理设施MRS，一个通用的专家系统建设工具。
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
Incidence Calculus: A Mechanism for Probabilistic Reasoning
University of Edinburgh（爱丁堡大学）
专家系统需要自动化不确定性的机制。有时这些机制需要服从概率推理的性质。一个纯粹的数字机制，像目前为止提出的那些，不能提供一个概率逻辑与真值功能连接词。我们提出了一种替代机制，发病率演算，这是基于一个表示的不确定性使用的点集，这可能代表的情况下，模型或可能的世界。关联演算确实提供了一个具有真值函数连接词的概率逻辑。
2013-03-27 cs.AI
Fast Inference for Probabilistic Answer Set Programs via the Residual Program
University of Ferrara（费拉拉大学）
本文提出利用SLG解析生成的残差程序来移除不影响查询概率的程序部分，从而加速概率回答集程序的推理，实验证明在图形数据集上显著提速。
2024-08-14 cs.AI cs.LO
Probabilistic Results on the Architecture of Mathematical Reasoning Aligned by Cognitive Alternation
Peking University（北京大学）
该研究设想可求解数学问题的机器，将定量推理系统拆分为思维与认知过程两部分，并给出该架构的概率性描述。
2023-08-17 cs.AI math.PR
Taming Reasoning in Temporal Probabilistic Relational Models
Institute of Information Systems, University of Lübeck（吕贝克大学信息系统研究所）
证据经常支持随时间变化的时间概率关系模型，这使得推理不可行。为了抵消接地随着时间的推移，并保持推理多项式通过恢复提升表示，我们提出了时间近似合并（TAMe），它包括（i）聚类分组子模型以及（ii）统计显著性检查，以测试聚类结果的适应性。为了换取更快的运行时，TAMe引入了一个有界的错误，随着时间的推移，这个错误变得可以忽略不计。实验结果表明，TAMe显着提高了推理的运行时性能，同时保持错误很小。
2019-11-16 cs.AI
Exploiting Functional Dependencies in Qualitative Probabilistic Reasoning
AI Technology Office, Wright R&D Center（莱特研发中心人工智能技术办公室）
函数依赖性限制了概率网络中连接的变量之间的潜在相互作用。在定性概率推理中，可以通过引入确定性变量和修改推理规则来利用这种限制，从而在存在函数关系的情况下产生更强的结论。我描述了如何通过展示涉及概率和确定性变量及其组合的图形转换的更新程序来完成定性概率网络中的这些修改。一个简单的例子表明，增广方案可以减少定性的歧义，将出现没有特殊处理的功能依赖。定性协同分析表明，新的高阶关系需要有效地推理确定性变量之间的协同作用。
2013-03-27 cs.AI
A Constraint Propagation Approach to Probabilistic Reasoning
本文表明，严格遵守概率论并不排除使用并发，自激活的约束传播机制管理不确定性。保持信念来源的本地记录，可以同时激活预测和诊断推理，并和谐地传播到稳定的平衡。
2013-03-27 cs.AI
A Framework for Non-Monotonic Reasoning About Probabilistic Assumptions
Decision Science Consortium, Inc.（决策科学联盟公司）
在专家系统中复制概率推理的尝试通常忽略了该过程的关键成分。概率分析通常需要对假设和数据之间的相互依赖性以及各种替代模型的适当性进行广泛的判断。这种模型的应用往往是一个迭代过程，其中结果的可验证性证实或否定了在建立模型时所作假设的有效性。相比之下，在当前的专家系统中，概率信息被封装在模块化规则中（例如，涉及“确定性因素”），并且没有机制来审查概率参数的整体形式或输入其中的判断的有效性。
2013-03-27 cs.AI
Representing and Reasoning With Probabilistic Knowledge: A Bayesian Approach
SRI International（斯坦福国际研究院）
PAGODA（Probabilistic Autonomous Goal-Directed Agent）是一种概率域中的自主学习模型[desJardins，1992]，它结合了创新技术，用于使用代理的现有知识来指导和约束学习过程，并用于表示，推理和学习概率知识。本文描述了PAGODA的概率表示和推理机制。PAGODA形成了关于其行动和世界状态随时间对环境的影响的理论。这些理论被表示为条件概率分布。对理论的结构施加限制，允许推理机制为任何动作和世界状态描述找到唯一的预测分布。这些受限理论被称为唯一预测理论。推理机制，使用独立性的概率组合（PCI），使用最小的独立性假设来组合理论中的概率，以进行概率预测。
2013-03-06 cs.AI
A Probabilistic Reasoning Environment
Decision Science Consortium, Inc.（决策科学联盟公司）
一个框架，提出了一个计算理论的概率参数。概率推理环境在三个层次上对知识进行编码。在最深层是一组编码系统领域知识的模式。这些知识用于构建一组第二级参数，这些参数的结构是为了有效地重新捕获用于构建它们的知识。最后，在顶层是一个由参数构建的贝叶斯网络。该系统的目的不仅是为了促进信念的传播和证据的同化，而且是构建信念网络，评估其充分性，并在必要时进行修改的动态过程。
2013-03-27 cs.AI
Reasoning about Unmodelled Concepts - Incorporating Class Taxonomies in Probabilistic Relational Models
Institute for Artificial Intelligence（人工智能研究所）；University of Bremen（不来梅大学）
一阶概率方法应用中的一个关键问题是它们隐含的图形模型的巨大尺寸。大小是由对象和关系的域生成的可能世界产生的。这种爆炸的原因之一是，到目前为止，这些方法没有充分利用可能世界的结构和相似性，以便更复杂地编码模型。我们提出了模糊推理的马尔可夫逻辑网络，这使得使用的分类知识作为一个源的结构强加到可能的世界。我们表明，通过利用这种结构，概率分布可以表示更companies和推理系统变得能够推理的概念不包含在概率知识库。
2015-04-21 cs.AI
A computational scheme for Reasoning in Dynamic Probabilistic Networks
Aalborg University（奥尔堡大学）
提出了一种利用（因果）概率网络对动态系统进行推理的计算方案。该方案基于Lauritzen和Spiegelhalter（1988）的框架，并且可以被视为经典时间序列分析的推理方法的推广，因为它允许描述具有复杂条件独立结构的非线性、多变量动态系统。此外，该方案提供了一种有效的向后平滑方法和有效的近似预测方法的可能性。该方案已在HUGIN shell上实现。
2013-03-13 cs.AI
Sequential Recommendation with Probabilistic Logical Reasoning
Soochow University（苏州大学）；Macquarie University（麦考瑞大学）；Texas Tech University（德克萨斯理工大学）；Suzhou Vocational University（苏州市职业大学）
针对神经符号序列推荐中的逻辑表示难题，提出SR-PLR框架，解耦特征与逻辑嵌入，结合概率逻辑推理，提升推荐性能。
2023-05-15 cs.AI
Paraconsistent Foundations for Probabilistic Reasoning, Programming and Concept Formation
有人认为，4值次协调真值（这里称为“p位”）可以作为高度AI相关形式的概率逻辑和概率编程和概念形成的概念，数学和实践基础。首先，它表明，适当的平均跨情况和重整化的4值p位操作根据可构造的对偶（CD）逻辑产生PLN（概率逻辑网络）的强度和置信度的真值。然后，Curry-Howard对应的变化被用来映射这些次协调和概率逻辑到概率类型适合于使用依赖类型的程序设计语言。将Zach Weber的次协调分析扩展为概念边界的次协调/概率/模糊分析，并基于次协调概率分布的相对熵定义了模糊属性-价值度，给出了一种基于形式概念分析的次协调概念形成方法.通过参考OpenCog AGI框架中概率推理和编程以及概念形成的实现，这些一般性观点得以充实，该框架以公共知识元数据的协作多算法更新为中心。
2021-01-14 cs.AI
Bridging Commonsense Reasoning and Probabilistic Planning via a Probabilistic Action Language
Arizona State University（亚利桑那州立大学）；SUNY Binghamton（纽约州立大学宾汉姆顿分校）
为了响应动态变化的现实世界环境，智能代理需要执行复杂的顺序决策任务，这些任务通常由常识知识指导。在这方面的研究导致了称为“交错常识推理和概率规划”（icorpp）的框架，它使用P-log表示常识知识和马尔可夫决策过程（MDP）或部分可观察MDP（POMDP）在不确定性下进行规划。icorpp的一个主要限制是它的实现需要非平凡的工程努力来桥接常识推理和概率规划形式主义。在本文中，我们提出了一个统一的框架，集成icorpp的推理和规划组件。特别是，我们扩展了概率动作语言pBC+来表达效用，信念状态和观察POMDP模型。继承动作语言的优点，新的动作语言提供了一个详细的宽容表示POMDP，反映常识知识。这个想法导致了系统pbcplus 2 pomdp的设计，它将pBC+动作描述编译成POMDP模型，该模型可以直接由现成的POMDP求解器处理，以计算pBC+动作描述的最佳策略。实验结果表明，该方法保留了icorpp的优点，同时避免了在常识推理器和概率规划器之间进行人工连接。
2019-07-31 cs.AI
Probabilistic Default Reasoning with Conditional Constraints
我们提出了一个组合的概率推理的条件约束的方法，默认推理的条件知识库。详细地说，我们推广了Pearl在系统Z中的蕴涵，Lehmann的词典蕴涵和Geffner的条件蕴涵的概念。我们给出了一些例子，表明新的概念的z-，字典式，和条件蕴涵有类似的性质，像他们的经典同行。此外，我们表明，新的概念的z-，字典，和条件蕴涵是适当的推广，他们的经典同行和经典概念的逻辑蕴涵的条件约束。
2000-03-08 cs.AI
Reasoning or Fluency? Dissecting Probabilistic Confidence in Best-of-N Selection
Yonsei University（延世大学）
本文通过引入三类因果扰动实验，发现当前概率置信度指标主要捕捉表面流畅性而非推理质量，并提出对比因果度量以更忠实地选择输出。
2026-06-03 cs.AI
