Verbalizing LLM's Higher-order Uncertainty via Imprecise Probabilities
Lattice Lab；Toyota Motor Corporation（丰田汽车公司）；Department of Computer Science（计算机科学系）；University of Tokyo（东京大学）；Rational Intelligence Lab（理性智能实验室）；CISPA Helmholtz Center for Information Security（CISPA 欧洲信息安全中心）；University of Manchester（曼彻斯特大学）；Manchester Centre for AI Fundamentals（曼彻斯特人工智能基础中心）；EPIC Lab（EPIC实验室）；College of Computing & Data Science（计算与数据科学学院）；Nanyang Technological University（南洋理工大学）
本文提出基于不精确概率的新型提示方法，用于更准确地提取LLM的高阶不确定性，以提升其不确定性和决策支持能力。
2026-07-31 cs.AI
Imprecise Probabilities Meet Partial Observability: Game Semantics for Robust POMDPs
Radboud University（拉德堡德大学）；Ruhr-University Bochum（波鸿鲁尔大学）
本文扩展了鲁棒POMDPs的理论理解，证明不确定性集的不同假设会影响最优策略和值，并提出其具有部分可观测随机博弈（POSG）语义，进而证明纳什均衡的存在性，同时对现有文献进行了分类。
2024-07-29 cs.AI cs.GT
Multi-label Chaining with Imprecise Probabilities
Sorbonne Universités（索邦大学联盟）；Université Technologique de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）
我们提出了两种不同的策略来扩展经典的多标签链接方法来处理不精确的概率估计。这些估计使用分布的凸集（或置信集）来描述我们的不确定性，而不是精确的。使用这种估计的主要原因是（1）当在链接中检测到高不确定性时，进行谨慎的预测（或根本不做决定），以及（2）通过避免在链接中的早期决策中引起的偏差来进行更精确的预测。我们适应这两种策略的情况下，天真的信用分类，表明这种适应是计算效率。我们对缺失标签的实验结果表明，我们的方法在精确模型失败的难以预测的情况下会产生相关的谨慎。
2021-07-19 cs.AI cs.LG stat.ML
Archimedean Choice Functions: an Axiomatic Foundation for Imprecise Decision Making
Ghent University（根特大学）；FLip；ELIS；Belgium（比利时（注：根据提取范围，国家不属于机构，此处仅作为原文出现的机构相关信息，实际机构应为前面的大学等））
如果不确定性是由概率度量建模的，则通常通过选择具有最高预期效用的选项来做出决策。如果使用一个不精确的概率模型来代替，这个决策规则可以通过几种方式来推广。在这里，我们集中在两个这样的推广，适用于概率测度集：E-容许性和极大性。它们都可以被视为所谓的选择函数的特殊实例，选择函数是一个非常通用的决策数学框架。对于这两个决策规则中的每一个，我们提供了一组选择功能的必要和充分条件，唯一的特点，这条规则，从而提供了一个公理化的基础不精确的决策与概率集。阿基米德选择函数在相干下预视方面的表示定理是在这两个结果的基础上。
2020-03-25 cs.AI
Order-of-Magnitude Influence Diagrams
IBM Research – Dublin（IBM研究院都柏林分部）；Cork Constraint Computation Centre（科克约束计算中心）；University College Cork（科克大学学院）
在本文中，我们开发了一个定性理论的影响图，可用于建模和解决顺序决策任务时，只有定性（或不精确）的信息。我们的方法是基于概率和效用的数量级近似的顺序，并允许通过设置效用值指定部分排序的偏好。我们还提出了一个专用的变量消除算法，可以应用于解决数量级的影响图。
2012-02-14 cs.AI
Bounding Probabilities of Causation with Partial Causal Diagrams
University of Ottawa, Ontario, Canada（渥太华大学）；Department of Computer Science, Florida State University, FL, U.S.A.（佛罗里达州立大学计算机科学系）
本文提出利用部分因果信息来更精确地界定制因概率，扩展了因果概率在现实场景中的应用范围。
2026-02-16 cs.AI
An efficient algorithm for estimating state sequences in imprecise hidden Markov models
我们提出了一个有效的精确算法估计状态序列的输出（或观察）在不精确的隐马尔可夫模型（iHMM），其中两个不确定性连接一个状态到下一个，并连接一个状态到其输出，表示使用相干较低的预测。我们与代表iHMM的信用网络相关联的独立性概念是认知无关性。我们认为作为最佳估计的状态序列的（瓦利-森）最大序列的后联合状态模型的条件下观察到的输出序列，与增益函数，这是状态序列的指标。这对应于（并概括）找到具有精确转移和输出概率（pHspeed）的Hspeed中具有最高后验概率的状态序列。我们认为，计算复杂性是在最坏的马尔可夫链的长度，立方的状态数的平方和最大状态序列的数量基本上是线性的。对于二进制iHynth，我们实验研究如何最大状态序列的数量依赖于模型参数。我们还提出了一个简单的玩具应用程序在光学字符识别，证明我们的算法可以用来鲁棒精确的概率模型的推断。
2012-10-05 cs.AI math.PR
Interval Influence Diagrams
Rockwell International Science Center Palo Alto Laboratory（罗克韦尔国际科学中心帕洛阿尔托实验室）
我们描述了一种机制，用于执行概率推理的影响图使用区间，而不是点值的概率。我们得出的程序节点删除（对应于条件期望）和弧反转（对应于贝叶斯条件）的影响图中的概率下限存储在每个节点。所得到的界限变换图中示出的是最佳的一类约束的概率分布，可以表示为专门的组件的概率图的下限。可以执行这些操作的序列来回答输入中具有不确定性的概率查询，并对影响图执行敏感性分析。这种方法的存储要求和计算复杂性与点值概率推理机制的存储要求和计算复杂性相当，使得该方法对于执行灵敏度分析和概率信息不可用的情况具有吸引力。有限的经验数据的方法的实施提供。
2013-03-27 cs.AI
Distributionally Robust Statistical Verification with Imprecise Neural Networks
University of British Columbia（不列颠哥伦比亚大学）；University of Manchester（曼彻斯特大学）；University of Pennsylvania（宾夕法尼亚大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Florida（佛罗里达大学）；Institute for Clarity in Documentation（文档清晰研究所）；Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗康校区）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕尔默研究实验室）
本文针对高维黑盒系统的安全验证问题，提出基于不精确神经网络集成的不确定性量化方法，并结合主动学习与Sherlock验证工具，在MuJoCo环境中实现了可扩展的分布鲁棒性能保证。
2025-03-10 cs.AI cs.LG cs.RO
Decision Making with Interval Influence Diagrams
Rockwell Science Center（罗克韦尔科学中心）
在以前的工作（Fertig和Breese，1989; Fertig和Breese，1990）中，我们定义了一种机制，用于使用区间而不是点值概率在影响图中执行概率推理。在本文中，我们扩展这些程序，将决策节点和区间值价值函数的图。我们推导出机会节点删除（计算预期值）和决策节点删除（优化）的影响图中的概率下限存储在每个机会节点和区间界限存储在与图的值节点相关的价值函数的程序。该算法的输出是每个决策变量的一组可接受的替代方案和一组基于输入中的不精确性的期望值的界限。该过程可以被看作是一个完整的e维灵敏度分析的近似，其中n是输入中不精确的概率分布的数量。我们证明了变换是最优的和合理的。的影响图的算法的性能进行了研究，并比较精确的算法。
2013-03-27 cs.AI
How to Elicit Many Probabilities
Utrecht University（乌得勒支大学）；Netherlands Cancer Institute（荷兰癌症研究所）；Antoni van Leeuwenhoekhuis（安东尼·范·列文虎克医院）
在构建贝叶斯信念网络时，所需的所有概率的推导可能是一个主要障碍。在构建癌症治疗领域复杂影响图的概率部分时，我们了解了这一经常被引用的观察结果的程度。在总结已有方法的基础上，设计了一种新的领域专家概率抽取方法。该方法结合了各种想法，其中包括转录概率的想法，以及使用带有数字和文字锚点的量表进行评分评估的想法。在构建影响图的概率部分时，该方法被证明可以在很短的时间内得出许多概率。
2013-01-23 cs.AI
Updating beliefs with incomplete observations
目前，有新的兴趣的问题，提出了谢弗在1985年，更新概率时，观察是不完整的。这是一个基本问题，特别是贝叶斯网络。最近，Grunwald和Halpern已经表明，常用的更新策略在这种情况下失败，除非在非常特殊的假设。在本文中，我们提出了一种新的方法来更新不完整的观测值的概率。我们的方法是故意保守的：我们不对所谓的不完整性机制做任何假设，这种机制将完整与不完整的观察联系起来。我们通过一个空洞的低预见来模拟我们对这种机制的无知，这是一种来自不精确概率理论的工具，我们只使用相干参数来将先验概率转换为后验概率。一般来说，这种新的更新方法会产生较低和较高的后验概率和期望，以及部分确定的决策。这是对不完全性机制的现有无知的逻辑结果。我们应用新的方法来分类的问题，新的证据在概率专家系统，在那里它会导致一个新的，所谓的保守更新规则。在贝叶斯网络使用专家知识构建的特殊情况下，我们提供了一个精确的算法分类的基础上，我们的更新规则，它具有线性时间复杂度的一类网络比多叉树。然后，这个结果被扩展到更一般的信用网络框架，其中计算通常比贝叶斯网络更困难。使用一个例子，我们表明，我们的规则似乎提供了一个坚实的基础，可靠的更新不完整的观察，当没有强有力的假设不完整的机制是合理的。
2004-05-17 cs.AI
Tractable Inference in Credal Sentential Decision Diagrams
Istituto Dalle Molle di Studi per l’Intelligenza Artificiale（达勒·莫勒人工智能研究所）；Institute of Mathematics and Statistics, University of São Paulo（圣保罗大学数学与统计研究所）
概率决策图是逻辑电路，其中选通门的输入由概率值注释。它们允许在布尔变量集上定义的联合概率质量函数的紧凑表示，这也与电路定义的逻辑约束一致。这种模型中的概率通常是从一组观察中学习的。当数据稀缺、不可靠或相互冲突时，这会导致过度自信和先验依赖的推断。在这项工作中，我们开发的credal的概率决策图，其概率对应的概括，允许取代本地概率（所谓的credal）集的质量函数。这些模型在布尔变量集上引入了一个联合信用集，该联合信用集将概率零急剧分配给与逻辑约束不一致的状态。三个推理算法推导出这些模型，这些允许计算：（i）下和上概率的观察任意数量的变量，（ii）下和上的条件概率的状态的一个单一的变量的观察给定的;（三）是否所有与信用规范兼容的概率决策图都具有相同的最可能解释给定一组变量，给定对其他变量的观察。这些推论是易于处理的，因为所有三个算法，基于自底向上遍历与局部线性规划任务的析取门，可以解决在多项式时间相对于电路的大小。对于第一个经验验证，我们考虑一个简单的应用程序的基础上嘈杂的七段显示器图像。观察到的credal模型，以正确区分容易和难以检测的实例，并优于其他生成模型不能应付逻辑约束。
2020-08-19 cs.AI
DAVID: Influence Diagram Processing System for the Macintosh
影响图是将不确定性表示为概率的有向图。该图区分了那些受决策者控制的变量（决策，如矩形所示）和那些不受决策者控制的变量（机会，如椭圆形所示），并明确表示解决方案的目标（价值，如圆角矩形所示）。
2013-03-27 cs.AI
Robust Anytime Learning of Markov Decision Processes
Radboud University（拉德堡德大学）；University of Oxford（牛津大学）
提出一种结合贝叶斯推断与鲁棒策略计算的任意时间学习方法，用于从有限数据中学习MDP转移概率，并能在任何时刻停止以生成鲁棒策略。
2023-06-19 cs.AI cs.LG
Stochastic Sensitivity Analysis Using Fuzzy Influence Diagrams
University of California, Berkeley（加州大学伯克利分校）
在决策分析文献中描述的随机敏感性分析的实践证明，需要考虑不确定性的精确点估计的偏差。我们建议使用贝叶斯模糊概率的影响图计算方案进行灵敏度分析的概率推理和决策问题的解决方案。与其他参数方法不同，该方案不需要解决问题的变化的概率点估计。我们声称，模糊影响图的解决方案提供了尽可能多的信息，经典的点估计方法加上有关随机敏感性的额外信息。以微机装配中的诊断决策为例说明了这一思想。我们声称，模糊影响图的解决方案提供了尽可能多的信息，经典的点估计方法加上额外的区间信息，是有用的随机敏感性分析。
2013-03-27 cs.AI
Introducing Quantum-Like Influence Diagrams for Violations of the Sure Thing Principle
University of Leicester（莱斯特大学）；Instituto Superior Técnico（高等技术学院）；INESC-ID（葡萄牙信息与通信技术研究院）
这是这项工作的重点，扩展和研究以前提出的量子贝叶斯网络，以处理决策的情况下，将最大期望效用的概念，在影响图。一般的想法是利用类量子贝叶斯网络中产生的量子干涉项来影响用于计算某些行为的预期效用的概率。这样，我们就不是在提出一种新的期望效用假设。相反，我们把它保持在它的经典定义之下。我们只是将其作为概率图模型的扩展，用一种称为影响图的紧凑图形表示，其中效用函数取决于类量子贝叶斯网络的概率影响。我们的研究结果表明，拟议的量子影响图确实可以利用量子贝叶斯网络的量子干涉效应，以最大限度地提高效用的合作行为，在一个完全理性的缺陷行为下的囚徒困境游戏。
2020-12-29 cs.AI
Dynamic Network Updating Techniques For Diagnostic Reasoning
University of Pennsylvania（宾夕法尼亚大学）
提出了一个新的概率网络构造系统DYNASTY，用于诊断推理给定的变量，其概率随时间变化。诊断推理被制定为一个顺序的随机过程，并使用影响图建模。给定一组观察结果O，DYNASTY创建一个影响图，以设计给定O的最佳行动。进行敏感性分析，以确定是否已创建最佳网络，给定的网络参数和拓扑结构的不确定性。DYNASTY使用等价类方法为敏感性分析提供决策阈值。这种诊断推理的等价类方法只有在所需的行动不同时才能区分诊断。提出了一组网络拓扑更新算法，用于在必要时动态更新网络。
2013-03-20 cs.AI
Model-based Influence Diagrams for Machine Vision
Advanced Decision Systems（高级决策系统公司）；Stanford University（斯坦福大学）
我们展示了一种基于增量创建和评估一个特定的家庭的影响图，代表假设的图像解释和可能的后续处理决策的机器视觉系统的自动控制方法。在我们的方法中，基于模型的机器视觉技术与分层贝叶斯推理相结合，提供了一个框架，用于表示和匹配图像中的对象和关系的实例，并用于累积概率来排序冲突的场景解释。我们扩展了Tatman和Shachter的结果，表明在每个阶段从评估图得出的处理决策序列与通过评估包含视觉系统运行期间创建的所有随机变量的最终影响图得出的序列相同。
2013-03-27 cs.AI cs.CV
Weighted Positive Binary Decision Diagrams for Exact Probabilistic Inference
Radboud University Nijmegen（拉德堡德大学奈梅亨分校）
最近的工作加权模型计数已非常成功地应用于贝叶斯网络的概率推理问题。概率分布被编码成布尔范式并编译成目标语言，以便更有效地表示条件概率之间表达的局部结构。我们表明，进一步的改进是可能的，通过利用知识，在编码阶段丢失，并将其纳入编译器的启发可满足性模理论。变量之间的约束被用作背景理论，这使我们能够优化香农分解。我们提出了一种新的语言，称为加权正二进制决策图，通过使用这种分解变体，以减少尺寸的算术电路，从而降低概率推理的成本。
2016-10-18 cs.AI cs.LO
