A Logic Programming Framework for Possibilistic Argumentation with Vague Knowledge
University of Lleida(莱里达大学);Universidad Nacional del Sur(南方国立大学);IIIA – CSIC(西班牙国家研究委员会人工智能研究所)
可废止的论证框架已经发展成为一个健全的设置,从不完整的和潜在的不一致的知识形式化常识,定性推理。可废止逻辑程序设计(DeLP)是一种基于逻辑程序设计扩展的可废止论证形式。虽然DeLP已经成功地集成在许多不同的现实世界的应用程序,DeLP不能处理明确的不确定性,也不与模糊的知识,因为可解除性是直接编码在对象语言。本文介绍了P-DeLP,一种新的逻辑程序设计语言,扩展了原来的DeLP定性推理的能力,将处理可能性的不确定性和模糊知识。这些功能将正式的基础上PGL,可能性逻辑的基础上哥德尔模糊逻辑。
2012-07-11 cs.AI
Possibilistic logic bases and possibilistic graphs
Institut de Recherche en Informatique de Toulouse (I.R.I.T.)(图卢兹计算机科学研究所);Universite Paul Sabatier(保罗·萨巴蒂尔大学)
可能性逻辑基和可能性图是两种不同的知识表示框架。前者根据知识的确定性水平对知识(用逻辑公式表示)进行分层,而后者则展示变量之间的关系。当这两种类型的表示导致相同的可能性分布(对可能的解释进行排序)时,它们在语义上是等价的。一个可能性分布可以用一个链式法则来分解,这个链式法则可以基于可能性理论中存在的两种不同类型的条件(一种基于数值设置中的乘积,一种基于定性设置中的最小运算)。这两种类型的条件作用导致两种可能性图。在这两种情况下,提供了这些图的翻译成可能性的基础。还描述了从可能性知识库到基于最小值的图的逆翻译。
2013-01-23 cs.AI
Practical Model-Based Diagnosis with Qualitative Possibilistic Uncertainty
Matra Marconi Space(马特拉·马可尼空间公司);Universite Paul Sabatier(保尔·萨巴蒂埃大学);I.R.I.T.-C.N.R.S.(法国国家科学研究中心图卢兹信息研究所)
提出了一种利用极不完整模型进行故障隔离的方法。它依赖于每个组件行为的单独描述,以及它们之间的联系,这使得推理能够集中到系统的相关部分。由于正常观测不需要解释,因此组件的行为仅限于异常传播。诊断解决方案是与观察结果一致的疾病(故障模式或异常特征),以及溯因解释。基于可能性理论的不确定性的有序表示提供了组件行为的简单的异常容忍描述。例如,我们可以区分在给定异常存在时或多或少肯定存在(或不存在)的效应和或多或少肯定存在(或不存在)的效应。一个现实的例子说明了这种方法的好处。
2013-02-20 cs.AI
On Modal Logics for Qualitative Possibility in a Fuzzy Setting
Spanish Council for Scientific Research (CSIC)(西班牙国家研究委员会)
在不确定性建模的可能性方法中,本文提出了一种模态逻辑系统来推理模糊命题的可能性(和必要性)的定性(比较)陈述。我们把这种定性模态逻辑与著名的知识和信念模态逻辑S5和KD 45的多值类似物MVS5和MVKD 45分别联系起来。完整性结果得到这样的逻辑,因此,他们扩展了以前现有的结果定性可能性逻辑在经典的非模糊设置。
2013-02-27 cs.AI cs.LO
Open-ended Scientific Discovery with Possibilistic Reasoning
Toyota Motor Corporation(丰田汽车公司);University of Tokyo(东京大学);Nanyang Technological University(南洋理工大学);RIKEN(理化学研究所)
该研究针对开放式科学发现的挑战,用可能性理论形式化溯因自主科学发现(AASD),提出可能性前沿搜索算法,在合成与真实任务上表现优异。
2026-10-14 cs.AI stat.ME
Fuzzy Knowledge Representation Based on Possibilistic and Necessary Bayesian Networks
在本文提出的框架内,我们解决的问题,扩展某些网络的模糊某些网络,以应付现有模型的不精确和不确定的知识下的决策的复杂性和局限性。本文提出了一个框架,结合两个学科发挥各自的优势,在不确定和不精确的知识表示问题。该框架是一个基于可能性逻辑的框架,其中贝叶斯节点及其属性由局部必要值知识库表示。属性中的数据被解释为一组赋值公式。在我们的贡献可能性贝叶斯网络有一个定性的部分和定量的一部分,代表当地的知识库。总体思路是研究如何融合这两种形式主义将允许表示紧凑的方式来有效地解决问题的知识表示。我们展示了如何将可能性和必要性度量应用于大规模数据的知识表示问题。另一方面,将明确的确定性程度模糊化为模糊变量,提高了网络的质量,并往往带来网络性能的平滑性和鲁棒性。总体目标是提供一种新的不确定性决策方法,该方法结合了三种方法:贝叶斯网络确定性分布和模糊逻辑。
2012-06-05 cs.AI
Decision Making with Partially Consonant Belief Functions
Siemens Medical Solutions(西门子医疗系统公司);University of Kansas School of Business(堪萨斯大学商学院)
本文研究了Walley部分协调信念函数的决策问题。在印刷电路板中,焦点的集合被划分。在每个分区中,焦点是嵌套的。pcb类包括概率函数和可能性函数作为极端情况。与早先的建议,决策理论的信念功能,我们采用了公理化的方法。我们采用了一个公理系统类似的精神冯诺依曼-摩根斯坦的线性效用理论的偏好关系的PCB彩票。我们证明了这个关系的一个表示定理。pcb彩票的效用是概率彩票的线性效用和可能性彩票的二元效用的组合。
2012-10-19 cs.AI
Axiomatic Foundations for a Class of Generalized Expected Utility: Algebraic Expected Utility
Paris 6 University(巴黎第六大学);LIP6(巴黎第六大学信息学实验室)
预期效用:代数期望效用在von Neumann-Morgenstern环境下,给出了代数期望效用的两个公理化,代数期望效用是一种特殊的广义期望效用,即假设不确定性表示是给定的,并且在这里是用半环上的可积测度来描述的,半环可以是偏序的。我们表明,公理相同的预期效用需要的偏好表示的代数预期效用。这种代数方法允许许多以前的命题(预期效用,二元可能性效用,.)统一在一个统一的框架中,并证明了所得到的效用与期望效用具有相同的优良特性:线性、动态一致性、潜在不确定性度量的自对偶性、决策准则的自对偶性以及对决策者对不确定性态度建模的可能性。
2012-06-27 cs.AI cs.GT
A Qualitative Linear Utility Theory for Spohn's Theory of Epistemic Beliefs
University of Kansas School of Business(堪萨斯大学商学院)
在本文中,我们制定了一个定性的“线性”效用理论的彩票中的不确定性表示定性使用Spohnian怀疑功能。我们认为,一个理性的决策者面对一个不确定的决策问题,其中的不确定性是定性表达的行为,以最大化“定性预期效用。“我们对定性效用的公理化类似于冯·诺依曼和摩根斯坦为概率彩票开发的公理化。我们比较我们的结果与其他最近的结果在定性决策。
2013-01-16 cs.AI
Probabilistic classification from possibilistic data: computing Kullback-Leibler projection with a possibility distribution
LEMMA, Paris-Panthéon-Assas University(巴黎-先贤祠-阿萨斯大学LEMMA实验室);Univ. Artois, CNRS, CRIL(阿尔图瓦大学,法国国家科学研究中心,计算机科学、信号与图像处理研究实验室);Institut Universitaire de France(法国大学研究院)
本文提出基于可能性监督的多类分类方法,通过构造闭凸集并利用Kullback-Leibler投影优化模型,提升预测性能。
2026-04-02 cs.AI cs.LG
Qualitative Decision Theory with Sugeno Integrals
IRIT - Universite Paul Sabatier(IRIT - 保罗·萨巴捷大学)
本文提出了一个有限环境下不确定性定性决策的公理化框架。相应的效用由一个超最小表达式表示,称为Sugeno(或模糊)积分。从技术上讲,Sugeno积分是一个中位数,它实际上是预期效用基础上的平均运算的定性对应。Sugeno基于积分的效用的公理化证明是在Savage决策理论中表示的行为之间的偏好。两位作者之前引入的基于必要性和可能性度量的悲观和乐观定性效用可以通过添加适当的公理在这种设置中检索。
2013-01-30 cs.AI
An Algebraic Graphical Model for Decision with Uncertainties, Feasibilities, and Utilities
ONERA(法国航空航天研究院);INRA(法国国家农业研究院)
在过去的几十年中,已经设计了许多形式主义和专用算法来建模和解决决策问题。一些形式主义,如约束网络,可以表达“简单”的决策问题,而其他的设计考虑到不确定性,不可行的决策,和效用。即使在一个单一的形式主义,几个变量往往提出了不同类型的不确定性(概率,可能性...)或效用(添加剂或非添加剂)。在这篇文章中,我们介绍了一个代数图形模型,它包含了大量这样的形式主义:(1)我们首先适应以前的结构,从弗里德曼,朱和Halpern表示不确定性,效用,和期望效用,以处理一般形式的顺序决策;(2)在这些结构上,我们引入了复合图形模型,该模型通过由“局部”函数链接的变量来表达信息,这要归功于条件独立性;(3)在这些图模型上,我们定义了一类简单的查询,它可以表示各种场景的可观察性和可解释性。一个自然的决策树语义,这样的查询是由一个等效的操作语义,这导致通用算法完成。建议的框架,称为似然性可行性效用(PFU)框架,不仅提供了一个更好的理解现有的形式主义之间的联系,但它也涵盖了尚未公布的框架(如可能性影响图)和统一的形式主义,如量化的布尔公式和影响图。我们的回溯和变量消除遗传算法是迈向统一算法的第一步。
2011-10-12 cs.AI
Qualitative Models for Decision Under Uncertainty without the Commensurability Assumption
IRIT - Paul Sabatier University(IRIT - 保罗·萨巴蒂埃大学);LIP6 - Paris 6 University(LIP6 - 巴黎第六大学)
本文探讨了一个纯粹的定性版本的萨维奇的理论决策下的不确定性。到目前为止,大多数表示定理偏好行为依赖于效用和不确定性的数值表示,其中效用和不确定性是相称的。打破传统,我们放松这一假设,并引入一个纯粹的序数公理,要求决策者(DM)之间的偏好两个行为只取决于其后果的相对位置,为每个国家。在这个定性的框架内,我们确定了唯一可能的形式的决策规则,并调查了一些情况下兼容的传递性的严格偏好。最后,我们提出了一个温和的放松我们的序数公理,留下一个新的家庭的定性决策规则兼容的传递性的空间。
2013-01-23 cs.AI
A Comparison of Axiomatic Approaches to Qualitative Decision Making Using Possibility Theory
University of Kansas(堪萨斯大学)
在本文中,我们分析了两个最近的公理化方法提出的Dubois等人和Giang和Shenoy定性决策的不确定性描述的可能性理论。这两个公理化的灵感来自冯诺依曼和摩根斯特恩的公理系统的情况下概率论。我们表明,我们的方法自然地统一了两个公理系统,分别对应于Dubois等人提出的悲观和乐观的决策标准。简化统一是通过(i)替换公理,应该反映两种信息态度(不确定性厌恶和不确定性吸引力)的公理,规定了一套标准的彩票和(ii)使用二进制效用量表,其中每个效用水平由一对数字表示。
2013-01-10 cs.AI
Qualitative MDPs and POMDPs: An Order-Of-Magnitude Approximation
我们开发了一个定性的马尔可夫决策过程(MDP)和部分可观察MDP,可用于建模时,只有定性信息的顺序决策任务的理论。我们的方法是基于概率和效用的数量级近似,类似于ε语义。其结果是一个定性的理论,与标准的最大预期效用理论有密切的联系,并服从一般的规划技术。
2012-12-12 cs.AI
A Hybrid Approach to Reasoning with Partially Elicited Preference Models
University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校);Assumption University(易三仓大学)
经典决策理论为复杂偏好的表示和推理提供了一个规范的框架。直接应用这一理论来自动决策是困难的,由于高启发成本。为了解决这个问题,研究人员最近开发了一些定性的,逻辑导向的方法来表示和推理的参考。虽然有效地解决了一些表达问题,但这些逻辑还没有被证明足够强大,无法构建实用的自动化决策系统。在本文中,我们提出了一种混合的方法,以经典的多属性效用理论为基础的偏好诱导和决策,但可以有效地利用定性方法的表达能力。具体来说,假设一个部分指定的多线性效用函数,我们展示了如何比较声明类的决策方案可以用来进一步约束的效用函数,从而确定超最优的替代品。这项工作表明,定量和定性的方法可以协同集成,提供有效和灵活的决策支持。
2013-01-23 cs.AI
Unstructuring User Preferences: Efficient Non-Parametric Utility Revelation
Technion - Israel Institute of Technology(以色列理工学院);Cornell University(康奈尔大学)
为了解决序数偏好的揭示和推理问题,我们提出了一种新的方法,用于从一组定性偏好语句生成序数效用函数。据我们所知,我们的建议构成了这个问题的第一个非参数解决方案,这是有效的和语义上的声音。我们的初步实验为我们的方法的实际有效性提供了强有力的证据。
2012-07-04 cs.AI cs.GT
How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding
Stanford University(斯坦福大学)
本研究量化多智能体LLM在定性编码中的有效性,发现编码手册长度、数据相似性和智能体分歧影响准确性,激烈未解决分歧反而提高准确率,并提出设计建议与开源框架。
2026-09-11 cs.AI cs.HC
Toward negotiable reinforcement learning: shifting priorities in Pareto optimal sequential decision-making
Machine Intelligence Research Institute(机器智能研究所);UC Berkeley, Center for Human Compatible AI(加州大学伯克利分校人类兼容人工智能中心)
现有的多目标强化学习(MORL)算法不考虑具有不同信念的玩家产生的目标。具体地说,考虑两个具有不同信念和效用函数的参与者,他们可以合作建造一台代表他们采取行动的机器。需要一个表示来表示机器的策略将在多大程度上优先考虑每个玩家的利益。假设球员已经达到了他们的情况的共同知识,本文推导出一个递归,任何帕累托最优策略必须满足。从递归中可以得到两个定性的观察结果:机器必须(1)使用每个参与者自己的信念来评估一个行动对该参与者的效用函数有多好,以及(2)随着时间的推移,它分配给每个参与者的预期效用的相对优先级,与参与者的信念预测机器输入的程度成正比。观察结果(2)代表了与朴素的线性效用聚合(如海萨尼的效用定理和现有的MORL算法)的实质性分歧,这里表明,代表不同信念的参与者进行帕累托最优顺序决策是不够的。
2017-05-13 cs.AI cs.GT cs.LG
Privacy-Preserving Computer Vision for Industry: Three Case Studies in Human-Centric Manufacturing
本文提出一种隐私保护的计算机视觉框架,通过三个工业案例验证,展示如何在监控中减少隐私风险,为人类导向的AI应用提供指导。
2025-12-10 cs.AI cs.CV
On the Utility of Learning about Humans for Human-AI Coordination
UC Berkeley(加州大学伯克利分校);Princeton University(普林斯顿大学)
虽然我们希望智能体能够与人类协调,但目前的算法,如自我游戏和基于人口的训练,可以创建能够与自己协调的智能体。假设他们的合作伙伴是最佳的或与他们相似的代理可以收敛到无法理解和被人类理解的协调协议。为了证明这一点,我们介绍了一个简单的环境,需要具有挑战性的协调,基于流行的游戏煮过头,并学习一个简单的模型,模仿人类的发挥。我们评估通过自我游戏和基于人口的训练训练的代理的性能。这些智能体在与自己配对时表现非常好,但当与我们的人类模型配对时,它们明显比设计用于与人类模型一起玩的智能体差。一个规划算法的实验也会得出同样的结论,尽管只有当人类感知的规划者被赋予了它正在使用的确切的人类模型时。一项针对真人的用户研究也显示了这种模式,尽管不那么强烈。从质量上讲,我们发现收益来自于让智能体适应人类的游戏玩法。鉴于这一结果,我们提出了几种方法来设计代理人,了解人类,以便更好地与他们协调。代码可在https://github.com/HumanCompatibleAI/overcooked_ai上获得。
2020-01-09 cs.AI cs.HC cs.LG