On Axiomatization of Probabilistic Conditional Independencies
University of Regina(里贾纳大学)
本文研究了不确定推理中的概率条件独立性与关系数据库中数据依赖性之间的联系。作为一个示范的有用性的初步调查,提出了一个替代的证明反驳珍珠和帕兹提出的猜想,概率条件独立有一个完整的公理化。
2013-02-27 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
CSP4SDG: Constraint and Information-Theory Based Role Identification in Social Deduction Games with LLM-Enhanced Inference
针对社会推理游戏中隐藏角色推理难题,提出CSP4SDG概率约束满足框架,通过四类语言无关约束分析游戏事件与对话,结合信息增益加权提升推理准确性,实验证明其优于LLM基线且可增强LLM性能。
2025-11-09 cs.AI cs.GT
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
Using Potential Influence Diagrams for Probabilistic Inference and Decision Making
Stanford University(斯坦福大学);Duke University(杜克大学)
潜在影响图是标准“条件”影响图的推广,是概率推理和决策分析的有向网络表示[Ndilikilikesha,1991]。它允许高效的推理计算对应的无向图。在本文中,我们探索了潜在影响图和条件影响图之间的关系,并深入了解潜在影响图的属性。特别是,我们将展示如何将潜在影响图转换为条件影响图,以及如何根据条件影响图查看潜在影响图操作。
2013-03-06 cs.AI
Logical Inference Algorithms and Matrix Representations for Probabilistic Conditional Independence
Indiana University(印第安纳大学)
条件独立(CI)语句的逻辑推理算法从知识获取过程中的一致性检验到图模型的基于约束的结构学习都有重要的应用。我们证明了CI语句的蕴涵问题是可判定的,给定的随机变量的域的大小是已知的和固定的。我们将提出一个近似逻辑推理算法,它结合了证伪和一个新的验证算法。验证算法将每一组CI语句表示为稀疏0-1矩阵A,并通过求解具有约束矩阵A的特定线性规划来验证蕴涵问题的实例。我们将通过实验证明,该算法在验证和伪造概率CI蕴涵问题的实例方面是有效和高效的。
2012-05-09 cs.AI
Probabilistic Conditional Preference Networks
IRIT-CNRS(法国国家科学研究中心图卢兹信息研究所);GREYC(GREYC实验室);Toulouse University(图卢兹大学);Caen University(卡昂大学)
为了表示一组个体的偏好,我们引入了概率CP网(PCP网)。PCP网提供了一种紧凑的语言来表示偏好排序的概率分布。我们认为,他们是有用的聚合偏好或建模嘈杂的偏好。然后,我们给出了有效的算法的主要推理问题,即计算的概率,一个给定的结果是首选的另一个,和概率,一个给定的结果是最佳的。作为一个副产品,我们得到了一个意想不到的线性时间算法检查在一个标准的,树结构的CP-网的优势。
2013-09-26 cs.AI
Abductive, Causal, and Counterfactual Conditionals Under Incomplete Probabilistic Knowledge
LMU Munich(慕尼黑大学);University of Helsinki(赫尔辛基大学)
我们研究了溯因,因果和非因果条件的指示和反事实的配方使用概率真值表任务下不完整的概率知识(N = 80)。我们将任务框架为概率逻辑推理问题。在所有条件下最常见的反应类型是一类条件事件的条件解释;其次是连接解释。有趣的是,少数参与者在推断目标条件/反事实的概率下限或上限(“中途反应”)时忽略了前提中涉及的一些相关不精确性。我们讨论了基于连贯性的概率逻辑和新范式的推理心理学的光的结果。
2017-03-12 cs.AI math.PR
Simulation Approaches to General Probabilistic Inference on Belief Networks
Stanford University(斯坦福大学);Rockwell International Science Center(罗克韦尔国际科学中心)
已经开发了许多算法来解决信念网络上的概率推理问题。这些算法可以分为两个主要的组:精确的技术,利用条件的独立性时,显示的图形结构是相对稀疏的,和概率抽样技术,利用“电导”的嵌入式马尔可夫链时,条件概率有非极值。在本文中,我们研究了一个家庭的“向前”蒙特卡洛抽样技术类似于逻辑抽样[Henrion,1988],似乎表现良好,即使在一些多连接网络的极端条件概率,因此将普遍适用。我们考虑几个增强,减少后验方差使用这种方法,并提出了一个框架和标准,选择何时使用这些增强。
2013-03-27 cs.AI
A conditional, a fuzzy and a probabilistic interpretation of self-organising maps
DISIT - Università del Piemonte Orientale(DISIT - 皮埃蒙特东方大学);Center for Logic, Language and Cognition, Dipartimento di Informatica, Università di Torino(逻辑、语言与认知中心,都灵大学计算机系)
在本文中,我们建立了一个模糊和优先语义描述逻辑和自组织地图,这已被提出作为可能的候选人来解释的心理机制类别泛化之间的联系。特别是,我们表明,训练后的自组织映射的输入/输出行为可以描述的模糊描述逻辑的解释,以及由优惠的解释,基于一个概念明智的多偏好语义,它考虑到偏好相对于不同的概念,最近已提出的排名和加权可废止的描述逻辑。网络的性质可以通过模糊或偏好解释的模型检验来证明。从模糊解释出发,我们还提供了一个概率帐户的神经网络模型。
2021-11-19 cs.AI
Sensitivities: An Alternative to Conditional Probabilities for Bayesian Belief Networks
Stanford University(斯坦福大学);Princeton University(普林斯顿大学)
我们展示了另一种方法表示贝叶斯信念网络的灵敏度和概率分布。这种表示等价于传统的条件概率表示,但使节点之间的依赖性明显,直观上易于理解。我们还提出了一个QR矩阵表示的灵敏度和/或条件概率,这是更有效的,在内存需求和计算速度,比传统的表示基于计算机的概率推理的实现。我们使用灵敏度表明,对于某一类二进制网络,近似概率推理的计算时间与结果误差的任何正上限无关。最后,作为一种替代传统的算法,使用条件概率,我们描述了一个精确的概率推理算法,使用QR表示的敏感性和更新的概率分布的节点在网络中根据来自邻居的消息。
2013-02-20 cs.AI
Sufficiency, Separability and Temporal Probabilistic Models
Harvard University(哈佛大学)
假设我们已知一个变量的条件概率,而另一个变量是已知的。通常情况下,需要条件变量上的完全联合分布来确定条件变量的概率。在什么情况下,条件变量上的边际分布足以确定条件变量的概率?在这个意义上,充分性等价于条件概率分布的加性可分性。这种可分性结构是自然的,可以用来进行有效的推理。可分性是条件可分性的自然推广。可分性提供了时间概率模型中弱相互作用子系统的精确概念。给定一个被分解为可分子系统的系统,在未来时间点上的子系统的精确边际概率可以通过传播边际子系统概率而不是完整系统联合概率来计算。因此,可分性可以使精确预测变得易于处理。然而,观测值可以打破可分性,所以对动态系统的精确监控仍然很困难。
2013-01-10 cs.AI
Reasoning about Independence in Probabilistic Models of Relational Data
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
我们扩展的d-分离理论的情况下,数据实例是不独立和同分布的。我们表明,直接应用规则的d-分离的概率模型的关系数据的结构不准确地推断出条件独立。我们介绍了关系d-分离,从关系模型推导条件独立事实的理论。我们提供了一个新的表示,抽象的地面图,使一个健全的,完整的,计算效率高的方法回答d-分离查询关系模型,我们提出的实证结果表明,有效性。
2014-01-06 cs.AI
Loss-sensitive Training of Probabilistic Conditional Random Fields
University of Toronto(多伦多大学);Université de Sherbrooke(舍布鲁克大学)
我们考虑的问题,训练概率条件随机场(CRF)的情况下,使用一个特定的损失函数的性能进行测量的任务。虽然极大似然是训练CRF的最常见方法,但它忽略了任务损失函数的固有结构。我们描述的替代品,极大似然考虑到这种损失。这些措施包括一个新的适应性的损失上限从结构化的支持向量机文献的CRF上下文,以及一个新的损失启发库尔贝克-莱布勒散度目标,依赖于CRF的概率性质。这些损失敏感的目标相比,极大似然使用排名作为基准任务。这种比较证实了在CRF的概率训练中纳入损失信息的重要性,损失启发的KL优于所有其他目标。
2011-07-09 cs.AI stat.ML
Local Expression Languages for Probabilistic Dependence: a Preliminary Report
Oregon State University(俄勒冈州立大学)
我们提出了一个泛化的局部表达式语言中使用的符号概率推理(SPI)的方法来推理的信念网[11,[8]。SPI中的局部表达式语言是描述节点对其前件的依赖性的语言。原始语言将依赖性表示为单个单片条件概率分布。扩展语言提供了一组运算符(*,+和-),可用于指定组合部分条件分布的方法。作为这种扩展的实用程序的一个实例,我们展示了如何使用这种扩展的语言来捕获的语义,代表性的优势,和推理的复杂性优势的“嘈杂或”的关系。
2013-03-20 cs.AI
Mouse Movement and Probabilistic Graphical Models Based E-Learning Activity Recognition Improvement Possibilistic Model
Research Unit SAGE, National Engineering School of Sousse(苏塞国家工程学院 SAGE 研究单位)
自动识别e-learning活动是提高在线学习过程质量的一项重要任务。概率图模型,如隐马尔可夫模型和条件随机场已成功地用于识别Web用户的活动。对于这样的模型,观察序列对于训练和推理过程至关重要。尽管这些概率图形模型在分割和标记随机序列的效率,它们的性能受到不利影响的不完善的质量的数据用于建设的观察序列。在本文中,形式主义的可能性理论将被用来提出一种新的方法,观察序列的准备。我们的方法的杰出贡献是评估的可能性推理的效果在隐马尔可夫模型和条件随机场模型的有效性的观察序列的生成。使用包含51个与三种类型的学习者任务相关的真实操作的数据集,初步实验表明,基于可能性推理获得的观察序列显着提高了隐Marvov模型和条件随机场模型在自动识别e-learning活动中的性能。
2016-08-08 cs.AI
Probabilistic causal graphs as categorical data synthesizers: Do they do better than Gaussian Copulas and Conditional Tabular GANs?
本研究针对合成高质量分类数据的需求,提出基于结构方程模型(SEM)与贝叶斯网络(BN)的因果图方法,在残障服务调查数据上的实验表明其在统计指标上优于高斯Copula和CTGAN,可兼顾数据有效性与隐私保护。
2025-04-15 cs.AI
Structured Arc Reversal and Simulation of Dynamic Probabilistic Networks
University of British Columbia(不列颠哥伦比亚大学)
本文提出了一种基于树结构条件概率表的贝叶斯网络弧反转算法,并考虑了它的一些优点,特别是对于动态概率网络的模拟。特别是,该方法允许一个产生CPT的节点中涉及的逆转,利用条件分布中的cnt。我们认为,这种方法消除了一些与弧反转相关的开销,在证据集成中起着重要的作用,并可用于限制DPN中变量的采样。我们还提供了一个算法,检测动态不相关的状态变量的前向模拟。该算法利用反向网络中的结构化CPT,以时间无关的方式确定变量是否需要采样的条件。
2013-02-06 cs.AI
Causal Modeling with Probabilistic Simulation Models
Stanford University(斯坦福大学)
最近的作者提出了分析条件推理通过干预的概念在模拟程序,并发现了一个健全的和完整的公理化的逻辑条件在这种情况下。在这里,我们将此设置扩展到概率仿真模型的情况。我们给出了一个自然的定义的概率公式的条件语言,允许表达的反事实,并证明了这个定义的基本结果。我们还发现了一个公理化推理的线性不等式涉及概率在这种情况下。我们证明了这个逻辑的可满足性问题的可靠性,完备性和NP-完备性。
2018-07-30 cs.AI cs.LO
A probabilistic analysis of selected notions of iterated conditioning under coherence
Department of Mathematics(数学系)
该研究针对三值逻辑中多种迭代条件概念开展概率分析,验证其是否满足复合概率定理等基础性质,最终提出满足全部基础性质的条件随机量框架下的迭代条件方案。
2023-08-20 cs.AI math.LO math.PR
Quasi Conjunction, Quasi Disjunction, T-norms and T-conorms: Probabilistic Aspects
University of Rome “La Sapienza”(罗马第一大学);University of Palermo(巴勒莫大学)
我们对一些在非单调推理中起重要作用的推理规则进行了概率分析。在一个基于一致性的设置,我们研究了扩展的概率评估定义在$n$条件事件,他们的准合取,并利用对偶,他们的准析取。下界和上界与一些著名的t-范数和t-余范数:极小、乘积、Lukasiewicz和Hamacher t-范数及其对偶t-余范数相一致。在此基础上,我们得到了拟与和拟或规则。这些规则使得任何有限族的条件事件p-蕴涵相关的拟合取和拟析取。我们研究了一些逻辑依赖的情况下,我们研究的连贯性,包含条件事件,和p-蕴涵之间的关系。我们还考虑了Or规则,其中前提的拟合取和拟析取与结论一致。我们分析了进一步方面的准合取和准析取,计算概率界的前提下,从结论的界限。最后,我们考虑双条件事件,我们引入了$n$ -条件事件的概念。然后给出了一个广义Loop规则的概率解释。在附录中,我们提供了显式表达式的Hamacher的t-范数和t-连接的酉超立方体。
2013-03-20 cs.AI math.PR
LPCVAE: A Conditional VAE with Long-Term Dependency and Probabilistic Time-Frequency Fusion for Time Series Anomaly Detection
Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences, Beijing, China(中国科学院大学网络安全学院)
LPCVAE通过引入LSTM和Product-of-Experts机制,实现对时间序列异常检测中长期依赖和概率时频融合的高效整合,提升检测性能。
2025-10-13 cs.AI cs.ET cs.LG
DEFactor: Differentiable Edge Factorization-based Probabilistic Graph Generation
Mila(米拉研究所);Université de Montréal(蒙特利尔大学)
产生具有最佳特性的新型分子是许多行业(如药物发现)的关键步骤。最近,深度生成模型已经显示出进行从头分子设计的有前途的方式。尽管图形生成模型目前可用,但它们在其参数数量上具有图形大小依赖性,将其使用限制为仅非常小的图形,或者被公式化为构建图形所需的离散动作序列,使得输出图形相对于模型参数不可微,因此防止它们在诸如条件图形生成的场景中使用。在这项工作中,我们提出了一个模型的条件图生成,计算效率高,使直接优化的图形。我们展示了我们的模型基于原型的分子图条件生成任务的良好性能。
2018-11-24 cs.AI cs.LG
Connecting Surrogate Safety Measures to Crash Probablity via Causal Probabilistic Time Series Prediction
University of California, Berkeley(加州大学伯克利分校);Safe Transportation Research and Education Center(安全交通研究与教育中心);Institute of Transportation Studies(交通研究所)
替代安全措施可以提供快速和主动的安全分析,并通过研究未遂事故来了解预碰撞过程和碰撞失效机制。然而,通过将替代安全措施与碰撞联系起来来验证它们仍然是一个悬而未决的问题。提出了一种基于概率时间序列预测的替代安全措施与碰撞概率的关联方法。该方法利用速度、加速度和碰撞时间序列,利用Transformer掩蔽自回归流(transformer-MAF)估计这些变量的概率密度函数。自回归结构模拟了条件、行为和事故后果之间的因果关系,并利用概率密度函数计算了条件行为概率、事故概率和条件事故概率。在交通冲突情境和正常互动情境下,预测序列都是准确的,估计概率都是合理的,条件碰撞概率在反事实实验中显示了规避行为避免碰撞的有效性。
2022-10-04 cs.AI cs.LG
XGBoostLSS -- An extension of XGBoost to probabilistic forecasting
我们提出了一个新的框架XGBoost预测整个条件分布的单变量响应变量。特别地,XGBoostLSS对参数分布的所有矩(即,平均值、位置、尺度和形状[LSS]),而不是仅条件平均值。从广泛的连续、离散和混合离散-连续分布中进行选择,对整个条件分布进行建模和预测,极大地增强了XGBoost的灵活性,因为它允许获得对数据生成过程的额外洞察,以及创建概率预测,从中可以导出预测区间和感兴趣的分位数。我们提出了一个模拟研究和现实世界的例子,证明我们的方法的优点。
2019-08-25 cs.AI cs.LG stat.ME
Conditional Generative Neural System for Probabilistic Trajectory Prediction
University of California, Berkeley(加州大学伯克利分校)
对环境的有效理解和周围动态障碍物的准确轨迹预测对于自主车辆和轮式移动机器人等智能系统在复杂场景中导航以实现安全和高质量的决策、运动规划和控制至关重要。由于未来的不确定性,人们希望从概率的角度进行推断,而不是确定性的预测。本文提出了一种用于概率轨迹预测的条件生成神经系统(CGNS)来逼近数据分布,可以采样现实、可行且多样化的未来轨迹假设。该系统结合了条件潜在空间学习和变分发散最小化的优势,并利用静态上下文和交互信息与软注意力机制。我们还提出了一种正则化方法,用于将软约束纳入具有可微障碍函数的深度神经网络中,该方法可以调节并将生成的样本推入可行区域。建议的系统进行评估,在几个公共基准数据集的行人轨迹预测和一个环岛自然驾驶数据集收集我们自己。实验结果表明,我们的模型实现了更好的性能比各种基线方法的预测精度。
2019-07-28 cs.AI cs.CV cs.LG
Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting
School of Computation, Information and Technology, Technical University of Munich(计算、信息与技术学院,慕尼黑技术大学);Munich Data Science Institute(慕尼黑数据科学研究所);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出 TSFlow 条件流匹配模型,利用高斯过程、最优传输路径和数据依赖先验缩小先验与时间序列数据分布差异,并通过条件先验采样支持概率预测。
2025-05-11 cs.AI cs.LG stat.ML
Multi-modal Test-time Adaptation via Adaptive Probabilistic Gaussian Calibration
Institute of Software Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);National Defense University(国防大学)
本文提出自适应概率高斯校准方法,解决多模态测试时适应中类别条件分布建模不足问题,通过引入自适应对比不对称修正技术,提升预测准确性和决策边界可靠性。
2026-04-21 cs.AI cs.CV
Two-Step MV-DeepONet: Probabilistic Operator Learning for Uncertainty Propagation Driven by Random Input Fields
School of Mathematics and Physics, North China Electric Power University(华北电力大学数理学院);School of Energy Power and Mechanical Engineering, North China Electric Power University(华北电力大学能源动力与机械工程学院)
该研究针对概率DeepONet仅能建模对角条件协方差的局限,提出两步MV-DeepONet,通过两步训练与高斯概率建模转移,在保留单次推理的同时准确恢复非对角相关模式,提升了不确定性传播建模性能。
2026-08-11 cs.AI cs.NA math.NA
On the Independencies Hidden in the Structure of a Probabilistic Logic Program
Ludwig-Maximilians-Universität München(慕尼黑路德维希-马克西米利安大学)
本文推广 d-分离至非基概率逻辑程序,提出程序结构抽象与元解释器,实现条件独立性高效判定,实验显示其显著快于 ProbLog 2 精确推理。
2023-08-30 cs.AI cs.LO cs.PL
Probabilistic Wildfire Spread Prediction Using an Autoregressive Conditional Generative Adversarial Network
Ajou University(亚洲大学)
本文提出基于自回归条件生成对抗网络的野火传播预测方法,通过对抗学习提升预测准确性和物理可解释性,以应对野火的复杂非线性动态。
2025-11-26 cs.AI cs.CE cs.CV
Conditional Denoising Diffusion Probabilistic Models for Data Reconstruction Enhancement in Wireless Communications
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心)
本文提出条件去噪扩散概率模型辅助的无线接收机,利用扩散先验实现“噪声到干净”的信号重建,在低信噪比下无需降低信息速率即可获得超过10 dB的重建增益。
2024-11-20 cs.AI cs.IT cs.LG
DiffRaman: A Conditional Latent Denoising Diffusion Probabilistic Model for Bacterial Raman Spectroscopy Identification Under Limited Data Conditions
Tsinghua University(清华大学)
针对细菌拉曼光谱鉴定中数据不足导致深度学习诊断性能受限的问题,提出条件潜在去噪扩散生成模型DiffRaman,可生成高质量合成光谱提升有限数据下的诊断性能,且生成效率优于现有模型,为数据稀缺场景的自动化诊断提供新方案。
2024-12-11 cs.AI cs.CV cs.LG
Nonparametric Probabilistic Regression with Coarse Learners
Numeristical
概率回归是指以特征为条件预测目标的全概率密度函数。我们提出了一个非参数的方法来解决这个问题,它结合了基础分类器(通常是梯度提升森林)训练的目标值的不同粗化。通过结合这些分类器和平均所得密度,我们能够计算精确的条件密度与密度的形状或形式的最小假设。我们结合这种方法与结构化的交叉熵损失函数,用于正则化和平滑所产生的密度。从这些密度计算出的预测区间在实践中具有很高的保真度。此外,在特定的观测中检查这些密度的性质可以提供有价值的见解。我们在各种数据集上演示了这种方法,并显示出具有竞争力的性能,特别是在较大的数据集上。
2022-10-28 cs.AI cs.LG stat.ME
TFDPM: Attack detection for cyber-physical systems with diffusion probabilistic models
Beijing Institute of Technology(北京理工大学)
随着AIoT的发展,数据驱动的网络物理系统(CPS)攻击检测方法受到了广泛关注。然而,现有的方法通常采用易处理的分布来近似数据分布,这是不适合复杂的系统。此外,不同信道数据的相关性也没有引起足够的重视。为了解决这些问题,我们使用基于能量的生成模型,它对数据分布的函数形式限制较少。此外,图神经网络被用来明确地对不同通道中的数据的相关性进行建模。最后,我们提出了一个通用的框架,在CPS的攻击检测任务的TFSIST。它同时提取时间模式和特征模式给定的历史数据。然后将提取的特征送入条件扩散概率模型。利用条件生成网络得到预测值,并根据预测值与观测值之间的差异检测攻击。此外,为了实现实时检测,提出了一种条件噪声调度网络来加速预测过程。实验结果表明,TFRIGHT优于现有的国家的最先进的攻击检测方法。噪声调度网络将检测速度提高了三倍。
2021-12-20 cs.AI cs.CR cs.LG
Towards common-sense reasoning via conditional simulation: legacies of Turing in Artificial Intelligence
Massachusetts Institute of Technology(麻省理工学院);University of Cambridge(剑桥大学)
自艾伦·图灵(Alan Turing)在计算和人工智能哲学方面的基础工作早期以来,复制人类常识推理的灵活性问题就吸引了计算机科学家的想象力。在此期间,认知作为计算的想法已经成为人工智能(AI)和认知科学的基本原则。但认知是一种什么样的计算呢?我们描述了一个计算的形式主义围绕概率图灵机称为查询,通过条件模拟捕捉概率条件的操作。通过几个例子和分析,我们展示了如何查询抽象可以用来铸造常识推理概率推理在我们的观察和世界的不确定结构,产生的经验的统计模型。这个公式是人工智能和认知科学的几个研究项目的最新综合,但它也代表了图灵在人工智能、计算基础和统计学方面的几个开创性见解的惊人融合。
2013-10-09 cs.AI math.LO stat.ML
Probabilistic entailment in the setting of coherence: The role of quasi conjunction and inclusion relation
University of Rome “La Sapienza”(罗马大学(“智慧”大学));University of Palermo(巴勒莫大学)
本文采用基于连贯性的概率缺省推理方法,重点研究了条件事件的准合取逻辑运算和Goodman-Nguyen包含关系。我们记得,准合取是一个基本的概念,用于定义条件知识库的一致性。本文通过深化文[1]中的一些结果,证明了:给定条件事件F的任何有限族和F的任何非空子集S,族Fp-蕴涵拟合取C(S),则给定条件事件E| H,分析了E的p-蕴涵和E的p-蕴涵之间的等价性|H from F与E的p-蕴涵|H来自C(S),其中S是F的某个非空子集。我们还说明了一些与p-相容性和p-蕴涵有关的替代定理。最后,我们通过引入对(F,E),进一步研究了p-蕴涵与包含关系之间的联系|H)F的子集S的(可能为空的)类K,使得C(S)蕴涵E| H.我们表明,类K满足许多性质,特别是K是添加剂,并有一个最大的元素,可以通过应用一个合适的算法来确定。
2013-01-06 cs.AI math.PR math.ST
Generalized Logical Operations among Conditional Events
University of Rome “La Sapienza”(罗马第一大学);University of Palermo(巴勒莫大学)
我们推广,通过一个渐进的过程,合取和析取的两个条件事件的情况下,$n$条件事件的概念。在我们基于一致性的方法中,合取和析取是合适的条件随机量。我们通过验证德摩根定律来定义否定的概念。我们还表明,合取和析取满足结合和交换性质,以及单调性。然后,我们给出了一些结果的一致性prevision评估的一些家庭的复合条件,特别是我们检查的Fréchet-Hoeffding界限。此外,我们还研究了从$n+1$条件事件的合取$\mathcal{C}_{n+1}$到$\{\mathcal{C}_{n},E_{n+1}|H_{n+1}\}$族的逆概率推理。我们认为准结合的概念的关系,我们详细研究的连贯性与三个条件事件的结合有关的prevision评估。基于合取,我们还给出了p-相容和p-蕴涵的一个刻画,并应用于概率非单调推理中的几个推理规则。最后,我们研究了一些非p-有效的推理规则,然后,我们举例说明了两种方法,允许适当修改非p-有效的推理规则,以得到推论是p-有效的。
2018-04-27 cs.AI math.AC math.LO