Belief-Aware Multi-Agent Path Finding under Map Uncertainty
Symbotic Inc.（Symbotic公司）；Massachusetts Institute of Technology（麻省理工学院）
针对地图不确定性下的多智能体路径规划问题，提出MAGIC框架，利用高斯马尔可夫随机场和高斯信念传播在线更新可通行性信念，构建绕行感知代价，在96.3%的实例上降低执行总代价，适用于大规模场景。
2026-10-01 cs.AI cs.MA cs.RO
Features modeling with an $α$-stable distribution: Application to pattern recognition based on continuous belief functions
ENSTA Bretagne（布列塔尼国立高等先进技术学院）；Université de Rennes 1（雷恩第一大学）
本文的目的是显示在拟合功能与$α$稳定分布分类不完美的数据的兴趣。因此，监督模式识别基于连续置信函数理论，这是一种考虑数据的不精确性和不确定性的方法。特征分布假定为单峰分布，并由单高斯和$α$稳定模型估计。实验结果首先从合成数据通过组合一维的两个特征并且通过考虑两个特征的向量来获得。利用广义贝叶斯定理，从可扩展性函数计算质量函数。同样的研究适用于三种类型的海底（岩石，淤泥和沙子）与单波束回声测深仪获得的功能的自动分类。我们通过分析定性结果，使用Kolmogorov-Smirnov检验（K-S检验）和定量结果与分类率来评估$α$稳定模型和高斯模型的质量。的信念分类器的性能进行了比较与贝叶斯方法。
2015-01-22 cs.AI
Iterated Belief Base Revision: A Dynamic Epistemic Logic Approach
UFBA（巴西联邦巴伊亚大学）；UFRGS（巴西联邦里约格兰德联邦大学）；PUCRS（巴西天主教里约格兰德大学）
AGM的信念修正是信念改变操作研究的主要范式之一。在这种情况下，信念基地（优先基地）已在很大程度上用于指定代理的信念状态-无论是代表代理的“明确的信念”或作为一个计算模型，她的信念状态。虽然连接的迭代AGM类操作和它们的编码在动态认知逻辑已经研究过，很少有作品考虑如何著名的假设从迭代信念修正理论的特点是通过信念基地和他们的对手在动态认知逻辑。这项工作研究如何优先图，语法表示的偏好关系深深连接到优先基地，可以用来识别信念变化算子，专注于众所周知的假设迭代信念变化。我们提供的句法表示的信念变化运营商在一个动态的背景下，以及新的负面结果的可能性，表示一个迭代的信念修订操作使用优先图上的转换。
2019-02-17 cs.AI cs.LO
Dynamic Preference Logic meets Iterated Belief Change: Representation Results and Postulates Characterization
Federal University of Bahia（巴伊亚联邦大学）；Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）；Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
AGM的信念修正是信念改变操作研究的主要范式之一。最近，在文献中已经提出了几种用于信念和信息改变的逻辑，并用于在丰富和富有表现力的语义框架中对信念改变操作进行编码。虽然Segerberg的工作已经研究了AGM类操作及其在动态doxastic逻辑中的编码之间的联系，但据我们所知，动态认知逻辑（DEL）领域的大多数工作都没有尝试使用这些逻辑作为工具来研究信念变化算子的数学性质。这项工作研究如何动态偏好逻辑，在DEL家庭的逻辑，可以用来研究动态信念变化算子的属性，重点是众所周知的迭代信念变化的假设。
2021-01-05 cs.AI cs.LO
On Limited Non-Prioritised Belief Revision Operators with Dynamic Scope
FernUniversität in Hagen（哈根远程大学）；TU Dortmund University（多特蒙德工业大学）
非优先修正研究的是修正算子不接受所有新信念。在本文中，我们通过引入动态有限修订的概念，这是一个总的前序在一组有限的世界表示的修订这条线的研究作出贡献。对于一个信念改变算子，我们考虑的范围，其中包括那些信念，产生成功的修订。我们发现，对于满足单句封闭和析取完备性的每一个集合，存在一个动态限制的修订，该修订具有该集合与信念集的联合作为范围。我们调查了信念和范围动态的迭代假设，并描述了它们的动态限制修订特征。作为一个应用，我们采用动态限制修订研究信念修订的背景下，所谓的固有信念，这是信念的全球接受的代理。这导致了我们称之为固有限制的修正算子。我们提出了一个表示定理的内在有限的修订，我们比较这些运营商和动态有限的修订密切相关的有限的修订运营商。
2021-08-17 cs.AI cs.LO
Bringing Belief Base Change into Dynamic Epistemic Logic
Institute of Mathematics and Statistics, Federal University of Bahia - UFBA（巴伊亚联邦大学数学与统计学院）
AGM的信念修正是信念改变操作研究的主要范式之一。在这种情况下，信念基地（优先基地）已主要用于指定代理的信念状态。虽然连接的迭代AGM类操作和他们的编码在动态认知逻辑已经研究过，很少有作品考虑如何著名的假设迭代信念修正理论可以通过信念基地和他们的对应物在动态认知逻辑的特点。特别是，它已被证明，一些假设可以通过优先图中的转换来表征，而其他假设则可能无法以这种方式表示。这项工作研究动态偏好逻辑的语义变化，产生了一个适当的语法表示其模型，使我们能够表示和推理迭代的信念基础变化在这个逻辑。
2019-12-22 cs.AI cs.LO
The Dynamic of Belief in the Transferable Belief Model and Specialization-Generalization Matrices
Technical University of Braunschweig（不伦瑞克工业大学）；Universite Libre de Bruxelles（布鲁塞尔自由大学）
可转移信念模型的基本更新过程与专门化概念有关，可以用专门化矩阵来描述。对一个命题真理性的信念程度是一个被证明的支持程度。最小承诺原则意味着，一个人永远不应该给一个命题的真理比证明更多的支持。我们表明，Dempster的规则的条件基本上对应于最少承诺的专业化，和Dempster的规则的组合结果基本上从交换性的要求。描述了与特化概念对偶的广义化概念。
2013-03-13 cs.AI
Modeling Belief in Dynamic Systems, Part II: Revisions and Update
信念变化的研究一直是哲学和人工智能领域的一个活跃领域。近年来，人们对信念改变的两种特殊情况--信念修正和信念更新进行了详细的研究。在一个配套文件中，我们介绍了一个新的框架模型的信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和门德尔松的信念更新的概念取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
2003-07-30 cs.AI cs.LO
Modeling Belief in Dynamic Systems, Part II: Revision and Update
信念变化的研究一直是哲学和人工智能领域的一个活跃领域。近年来，人们对信念改变的两种特殊情况--信念修正和信念更新进行了详细的研究。在一篇配套论文（Friedman & Halpern，1997）中，我们引入了一个新的框架来模拟信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和Mendelzon的信念更新的概念（胜野和Mendelzon，1991年a）取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
1999-03-24 cs.AI
Belief Update in CLG Bayesian Networks With Lazy Propagation
HUGIN Expert A/S（HUGIN Expert 公司）
近年来，具有连续和离散变量混合的贝叶斯网络（BN）受到了越来越多的关注。我们提出了一种结构的精确信念更新条件线性高斯贝叶斯网络（CLG BN）。该架构是使用Lauritzen & Jensen [6]和Cowell [2]的操作的惰性传播的扩展。通过将团和分离器潜力分解为因子集，所提出的架构利用了由图和证据的结构引起的独立性和不相关性。举例说明了由此产生的好处。初步的经验性能评估的结果表明，所提出的架构的显着潜力。
2012-06-27 cs.AI
Dynamic Logic of Trust-Based Beliefs
Institute of Logic and Intelligence, Southwest University, China（逻辑与智能研究所，西南大学，中国）；University of Southampton, United Kingdom（南安普顿大学，英国）；Independent Scholar, United States（独立学者，美国）
本文研究融合数据公开宣告的智能体信念动态逻辑，提出可靠完备的公理化系统并给出多项式模型检测算法。
2025-11-02 cs.AI cs.LO math.LO
Dynamic Construction of Belief Networks
Brown University（布朗大学）
我们描述了一种增量式构造信念网络的方法。我们已经开发了一种网络构造语言，类似于使用数据依赖关系的前向链接语言，但具有用于指定分布的附加功能。使用这种语言，我们可以定义概率模型的参数化类。这些参数化的模型使得有可能应用概率推理的问题，这是不切实际的，有一个单一的大型静态模型。
2013-03-27 cs.AI
Exploiting Causality for Selective Belief Filtering in Dynamic Bayesian Networks (Extended Abstract)
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Edinburgh（爱丁堡大学）
动态贝叶斯网络（DBNs）是一种研究状态部分可观测随机过程的通用模型。DBN中的信念过滤是基于不完整和不确定的观察来推断信念状态（即过程状态的概率分布）的任务。在这篇文章中，我们探索了通过自动利用过程中的因果关系来加速过滤任务的想法。我们考虑一种特定类型的因果关系，称为被动性，它涉及状态变量如何引起其他变量的变化。我们提出了基于被动性的选择性信念过滤（PSBF）方法，该方法保持了一个因子化的信念表示，并利用被动性对信念因子进行选择性更新。PSBF在合成过程和模拟的多机器人仓库，在那里它优于其他过滤方法，利用被动。
2019-07-10 cs.AI cs.RO
Modeling Belief in Dynamic Systems, Part I: Foundations
信念改变是人工智能中的一个基本问题：智能体必须不断更新自己的信念以适应新的观察结果。近年来，有很多工作的公理化特征的信念变化。我们认为，一个更好的理解信念的变化，可以通过检查适当的语义模型。在本文中，我们提出了一个一般的框架，在其中模型的信念变化。我们首先根据知识和可信度来定义信念：如果一个主体知道p比它的否定更可信，他就相信p。然后，我们考虑一些属性定义的知识和可验证性之间的相互作用，并显示这些属性如何影响信仰的属性。特别是，我们表明，通过假设两个最自然的属性，信念成为一个KD 45运营商。最后，我们把时间添加到图片中。这给了我们一个框架，在这个框架中，我们可以讨论知识、可解释性（以及信念）和时间，这扩展了Halpern和Fagin在多智能体系统中建模知识的框架。然后，我们研究“最小变化”的问题。这个概念可以通过使用先验概率来捕捉，先验概率是先验概率的一种类似物，可以通过“条件”来更新。我们通过例子表明，条件的可扩展性措施可以捕捉到许多感兴趣的情况。在一个配套文件中，我们展示了两个最好的研究方案的信念变化，信念revisionand信念更新，适合我们的框架。
2003-07-30 cs.AI cs.LO
Belief Contraction in Dynamic Epistemic Logic
Stanford University（斯坦福大学）；University of California, Berkeley（加州大学伯克利分校）
针对动态认知逻辑无法建模事实命题信念收缩的问题，提出直接在标准Kripke模型上定义信念收缩机制，满足部分收缩性质，并给出公理化及扩展逻辑。
2026-07-01 cs.AI cs.LO
Exploiting Causality for Selective Belief Filtering in Dynamic Bayesian Networks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Edinburgh（爱丁堡大学）
动态贝叶斯网络（DBNs）是一种研究状态部分可观测随机过程的通用模型。DBN中的信念过滤是基于不完整和噪声观测来推断信念状态（即过程状态的概率分布）的任务。在具有大状态空间的复杂过程中，这可能是一个难题。在这篇文章中，我们探索了通过自动利用过程中的因果关系来加速过滤任务的想法。我们考虑一种特定类型的因果关系，称为被动性，它涉及状态变量如何引起其他变量的变化。我们提出了基于被动性的选择性信念过滤（PSBF）方法，该方法保持了一个因子化的信念表示，并利用被动性对信念因子进行选择性更新。PSBF在一定的假设条件下产生精确的信念状态，否则产生近似的信念状态，其中近似误差由过程中的不确定性程度限制。我们的经验表明，在不同的大小和程度的被动的合成过程中，PSBF比几种替代方法更快，同时实现竞争力的准确性。此外，我们还演示了被动性如何在多机器人仓库等复杂系统中自然发生，以及PSBF如何利用这一点来加速过滤任务。
2016-04-25 cs.AI
Dynamics of Belief: Abduction, Horn Knowledge Base And Database Updates
RWTH Aachen（亚琛工业大学）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。为了将信念动力学理论的合理性结果应用到各种实际问题中，它应该在两个方面进行推广：第一，它应该允许信念的某一部分被声明为不变的;第二，信念状态不需要是演绎封闭的。本文提出了这样一种广义的信念动力学，称为基地动力学，随着知识库（霍恩或霍恩逻辑分层否定）的广义修正算法的概念。我们表明，知识库动态有一个有趣的连接，通过击中集和绑架的内核变化。在本文中，我们将展示如何从析取逻辑编程技术可以用于有效的（演绎）数据库更新。其核心思想是将给定的数据库连同更新请求一起转换成一个析取（数据库）逻辑程序，并应用析取技术（如最小模型推理）来解决原始的更新问题。该方法扩展并集成了标准技术，以实现高效的查询应答和完整性检查。一个击中集的生成是通过一个超tableaux演算和魔术集，专注于最小的目标。本文提供了一个比较研究的视图更新算法在理性的做法。为了理解溯因推理的基本概念，我们提供了一个知识库动力学的溯因框架。最后，我们展示了如何信念基础动力学可以提供一个公理化的表征插入一个视图原子的数据库。我们给出了信念改变的主要操作符的快速概述，特别是信念更新与数据库更新。
2015-01-27 cs.AI cs.DB cs.LO
Expectation Propagation for approximate Bayesian inference
Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种新的贝叶斯网络的确定性逼近技术。这种方法，“期望传播”，统一了两个以前的技术：假设密度过滤，卡尔曼滤波器的扩展，和循环的信念传播，在贝叶斯网络的信念传播的扩展。所有这三种算法都试图恢复一个近似分布，该分布在KL散度上接近真实分布。循环信念传播，因为它传播精确的信念状态，是有用的信念网络的有限类别，如那些纯粹是离散的。期望传播通过仅保留某些期望（例如均值和方差）来近似信念状态，并迭代直到这些期望在整个网络中保持一致。这使得它适用于具有离散和连续节点的混合网络。期望传播也在相反的方向上扩展了信念传播-它可以传播更丰富的信念状态，包括节点之间的相关性。高斯混合模型的实验表明，期望传播令人信服地优于具有类似计算成本的方法：拉普拉斯方法，变分贝叶斯和蒙特卡洛。期望传播也提供了一个有效的算法训练贝叶斯点机分类器。
2013-01-10 cs.AI cs.LG
B$^3$RTDP: A Belief Branch and Bound Real-Time Dynamic Programming Approach to Solving POMDPs
MIT Media Lab（麻省理工学院媒体实验室）
部分可观测马尔可夫决策过程（POMDPs）为自主智能体提供了一个有前途的世界表示，因为它们可以模拟过渡和感知的不确定性。计算POMDP问题的最优解在计算上可能是昂贵的，因为它们需要在（可能是无限的）信念空间上进行推理。已经提出了几种方法来克服这个困难，如离散化的信念空间，基于点的信念抽样，和蒙特卡罗树搜索。RTDP-Bel算法的实时的【形】动态规划方法通过将价值函数存储在具有离散化置信键的哈希表中来近似该价值函数。我们提出了一个扩展的RTDP-Bel算法，我们称之为信念分支和界限RTDP（B $^3$ RTDP）。我们的算法使用有界价值函数表示，并利用这两个新的方式：搜索绑定技术的基础上的行动选择收敛概率，并利用早期的行动收敛称为\textit{Convergence Frontier}的方法。最后，我们的经验表明，B $^3$ RTDP可以实现更大的回报，在更短的时间比国家的最先进的SARSOP解决已知的POMDP问题。
2022-10-22 cs.AI
Model-Based Offline Reinforcement Learning with Pessimism-Modulated Dynamics Belief
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
基于模型的离线强化学习（RL）旨在通过利用先前收集的静态数据集和动态模型来找到高度有益的策略。而动态模型通过重用静态数据集来学习，如果使用得当，其泛化能力有望促进策略学习。为此，一些作品提出量化预测动态的不确定性，并明确地将其应用于惩罚奖励。然而，由于动态和奖励本质上是不同的因素，在MDP的上下文中，通过奖励惩罚来表征动态不确定性的影响可能会在模型利用和风险规避之间产生意想不到的权衡。在这项工作中，我们反而保持了动态的信念分布，并评估/优化政策，通过有偏见的抽样信念。抽样程序，偏向悲观，来自基于交替马尔可夫博弈制定离线RL。我们正式表明，有偏采样自然会导致更新的动态信念与政策相关的重新加权因子，称为悲观主义调制的动态信念。为了改进策略，我们设计了一个迭代正则化策略优化算法，在一定条件下保证单调改进。为了实用，我们进一步设计了一个离线RL算法来近似找到解决方案。实证结果表明，该方法实现了国家的最先进的性能在广泛的基准任务。
2022-10-29 cs.AI cs.LG
The Temporal Dynamics of Belief-based Updating of Epistemic Trust: Light at the End of the Tunnel?
Ludwig-Maximilians-University of Munich (LMU)（慕尼黑大学（LMU））；Friedrich Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）；Birkbeck College London（伦敦伯克贝克学院）
我们开始与结果和基于信念的贝叶斯模型的顺序更新代理人的信念和主观可靠性的来源（信任）的区别。然后，我们重点讨论了有影响力的贝叶斯模型的基于信念的信任更新的埃里克奥尔森，该模型的二分法事件，并明确表示反可靠性。在勾画了一些灾难性的最近的结果，这也许是最有前途的模型的信念更新，我们展示了新的模拟结果的时间动态的学习信念，有和没有信任更新，有和没有沟通。结果似乎至少为沟通和信任更新代理提供了一些更积极的信息。这可能是基于信念的信任更新模型隧道尽头的一盏灯，但对明确发现的解释却不那么清楚。
2019-12-24 cs.AI cs.SI
Learning Dynamic Belief Graphs for Theory-of-mind Reasoning
Department of Civil；Systems Engineering, Johns Hopkins University, Baltimore, MD, USA；School of the Environment, Society \& Sustainability, University of Utah, Salt Lake City, UT, USA；Department of Psychology, University of Utah, Salt Lake City, UT, USA；Coastal Engineering, University of Florida, Gainesville, FL, USA
本文提出一种动态信念图模型，用于增强大语言模型的心灵理论推理能力，通过联合推断潜在信念、学习时间变化依赖关系，并链接信念演变与信息获取和决策，提升高不确定性环境下的行动预测。
2026-09-29 cs.AI
Dynamic Theory of Mind as a Temporal Memory Problem: Evidence from Large Language Models
研究探讨了动态心智理论作为时间延伸表征记忆问题，发现大语言模型在跟踪信念轨迹方面存在挑战，揭示了记忆与干扰机制在社会推理中的影响。
2026-03-15 cs.AI
A quantum dynamic belief decision making model
Northwestern Polytechnical University（西北工业大学）
确定性原理和全概率定律是经典概率论的基本定律。一个析取谬误导致违反这两个经典概率定律。本文提出了一种新的基于量子动力学建模和Dempster-Shafer（D-S）证据理论的量子动力学信念决策模型来解决这个问题，并模拟真实的人类决策过程。一些数学技巧是从量子数学中借用的。一般来说，信念和行动是决策过程中的两个部分。信念部分的不确定性由某些状态的叠加表示。行动中的不确定性被表示为额外的不确定性状态。干扰效应的产生是由于信念与行为之间的纠缠。决策的基本概率分配（BPA）由量子动力学模型生成。然后用额外不确定态的BPA和由熵函数邓熵定义的纠缠度来度量干涉效应。与现有模型相比，本文模型中自由参数的个数较少。最后，一个经典的分类决策实验说明了我们的模型的有效性。
2017-03-06 cs.AI q-bio.NC quant-ph
Dynamic consistency and decision making under vacuous belief
George Mason University（乔治梅森大学）
经济学中关于无知决策的思想与计算机科学中关于不确定性表示的思想相结合。这一组合为人工代理如何以动态一致的方式行事的问题提供了新的思路。通过对相容性测度采用迭代期望律，形式化了序列相容性的概念。给出了Nehring-Puppe偏好的确定性等价算子序列相容的充要条件。这一结果为不确定性条件下的决策模型提供了新的思路。
2012-02-14 cs.AI
Coherence-Driven Belief Formation and Population Dynamics of Contagion in LLM Agents
Takeda Pharmaceuticals（武田制药）；Northeastern University（东北大学）
本研究实证测量LLM智能体的信念采纳，发现其呈S形复杂传染特征，阈值受主张合理性、来源可靠性和智能体倾向影响，可归约为一致性维度，且在聚类网络上传播更广，共识难以消除。
2026-10-05 cs.AI cs.MA cs.SI
World Model Science: Self-Organized Criticality, Weak Chaos, and Metastable Belief Dynamics in Long-Horizon LLM Agents
Emory University（埃默里大学）；The University of Tokyo（东京大学）；LocationMind
该研究通过自组织临界性、弱混沌和亚稳态信念动力学三个视角，分析长时程LLM智能体的轨迹，提出基于轨迹级动力学诊断的世界模型科学方法，并在22项实验中验证其有效性。
2026-10-30 cs.AI
Learning Triadic Belief Dynamics in Nonverbal Communication from Videos
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）
人类具有独特的社会认知能力，非言语交际可以在主体之间传递丰富的社会信息。相比之下，这些重要的社会特征在现有的场景理解文献中大多缺失。在本文中，我们结合了不同的非语言沟通线索（例如，凝视、人类姿势和手势）来从纯视觉输入表示、建模、学习和推断代理的精神状态。重要的是，这样的心理表征考虑了主体的信念，因此它代表了真实的世界状态，并推断出每个主体的心理状态中的信念，这些信念可能与真实的世界状态不同。通过聚合不同的信念和真实的世界状态，我们的模型在两个智能体之间的交互过程中基本上形成了“五个心智”。这个“五个头脑”模型不同于以前的作品，在无限递归中推断信念;相反，代理人的信念被收敛到一个“共同的头脑”中。基于这种表示，我们进一步设计了一个分层的基于能量的模型，共同跟踪和预测所有五个心灵。从这个新的角度来看，一个社会事件是由一系列的非语言交流和信念的动态，这超越了经典的关键帧视频摘要解释。在实验中，我们证明，使用这样的社交帐户提供了一个更好的视频摘要与最先进的关键帧视频摘要方法相比，具有丰富的社会互动的视频。
2021-04-07 cs.AI cs.CV
ScioMind: Cognitively Grounded Multi-Agent Social Simulation with Anchoring-Based Belief Dynamics and Dynamic Profiles
The University of Sydney（悉尼大学）
ScioMind结合结构化意见动态与LLM代理推理，通过记忆锚定信念更新规则、分层记忆架构和动态代理资料提升社交模拟的真实性与稳定性。
2026-05-13 cs.AI cs.SI
Learning Task Belief Similarity with Latent Dynamics for Meta-Reinforcement Learning
Southern University of Science and Technology（南方科技大学）
针对稀疏奖励下元强化学习的任务识别问题，提出SimBelief框架，通过测量贝叶斯自适应MDP中的任务信念相似性并学习潜在动力学，实现快速任务识别与适应。
2025-06-24 cs.AI
A Rational and Efficient Algorithm for View Revision in Databases
SSN College of Engineering（SSN工程学院）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。本文认为，要将信念动力学理论的合理性结果应用于各种实际问题，应该从两个方面加以推广：首先，它应该允许信念的某一部分被声明为不变的;其次，信念状态不需要是演绎封闭的。这样一个广义的信念动态，称为基地动态，提出了一个广义的修正算法的概念，霍恩知识库。我们表明，霍恩知识库动态与内核的变化和绑架有着有趣的联系。最后，我们还表明，这两种变体是合理的，在这个意义上，他们满足一定的理性假设来自哲学作品的信念动力学。
2013-01-22 cs.AI cs.DB cs.LO
The Transferable Belief Model and Other Interpretations of Dempster-Shafer's Model
IRIDIA, Universite Libre de Bruxelles（布鲁塞尔自由大学IRIDIA）
Dempster-Shafer模型的目的是量化的程度的信念，但有这么多的解释Dempster-Shafer的理论在文献中，它似乎是有用的，目前的各种竞争者，以澄清各自的立场。我们将依次考虑古典概率模型、上下概率模型、Dempster模型、可转移信念模型、证据价值模型、可证明性或必要性模型。这些型号均未获得Dempster-Shafer认证。事实上，可转移的信念模型不是我们对登普斯特工作的解释，而是对谢弗在他的书中提出的工作的解释（谢弗1976，斯梅茨1988）。它是一个？Dempster-Shafer模型的“纯化”形式，其中删除了与概率概念的任何联系。任何信念模型都至少有两个组成部分：一个是描述我们信念状态的静态部分，另一个是解释如何在新信息的情况下更新我们信念的动态部分。我们坚持认为，为了研究这些模型，必须考虑这两个组成部分。太多的作者把自己限制在静态部分，并得出结论，Dempster-Shafer理论是相同的一些其他理论。但一旦考虑到动态因素，这些结论就站不住脚了。任何仅基于静态组件的比较都过于受限。动态分量也必须考虑，因为基于信念函数的模型的独创性在于其动态分量。
2013-03-27 cs.AI
PODDP: Partially Observable Differential Dynamic Programming for Latent Belief Space Planning
自主智能体观察世界状态的能力有限。部分可观测马尔可夫决策过程（POMDPs）对世界状态不确定性下的规划问题进行了形式化建模，但具有连续动作和非线性动力学特性的POMDPs适合于机器人应用，其求解具有挑战性。在本文中，我们提出了一个有效的差分动态规划（DDP）算法的信任空间规划POMDP的不确定性在一个离散的潜在状态，连续的状态，行动，观察，和非线性动力学。这种表示允许规划的动态轨迹是敏感的离散的潜在世界状态的结构化不确定性。我们开发了动态规划技术，以优化一个可能的观测和信念空间轨迹树的应急计划，并得出一个层次版本的算法。我们的方法适用于成本或回报函数不确定的问题（例如，目标或障碍的配置），动态的不确定性（例如，混合系统的动态模式），以及交互的不确定性，其中其他代理的行为取决于潜在的意图。基准测试表明，我们的算法优于流行的启发式方法规划下的不确定性，从一个自主变道任务的结果表明，我们的算法可以合成强大的互动轨迹。
2019-12-14 cs.AI cs.RO
