Global Conditioning for Probabilistic Inference in Belief Networks
Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）；Aalborg University（奥尔堡大学）
在本文中，我们提出了一种新的方法来概率推理的信念网络，全球条件，这是一个简单的推广Pearl（1986年b）的方法的环割集条件。我们表明，整体条件作用，以及循环割集条件作用，可以被认为是一个特殊的情况下，Lauritzen和Spiegelhalter（1988）的方法，由詹森等人（1990年a; 1990年b）完善。尽管如此，这种方法为并行处理提供了新的机会，并且在顺序处理的情况下，为存储器提供了时间的折衷。我们还展示了如何混合方法（Suermondt和其他人1990年）结合循环割集条件与詹森的方法可以被视为在我们的框架内。通过探索这些方法之间的关系，我们开发了一个统一的框架，在这个框架中，每种方法的优点可以成功地结合起来。
2013-02-27 cs.AI
Evidence Updating for Stream-Processing in Big-Data: Robust Conditioning in Soft and Hard Fusion Environments
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
鲁棒的信念修正方法是至关重要的，在流数据的情况下，更新现有的知识或信念与新的传入证据。贝叶斯条件是使用概率推理的数据融合系统中用于信念修正的主要机制。然而，传统的调节方法由于利用软（即，人或基于人的）源除了硬（即，基于物理的）传感器。本文的目的是调查最自然的扩展贝叶斯条件，是适合证据更新存在这样的不确定性。通过将证据更新过程视为一个思想实验，推导出一种优雅的策略，用于在存在大数据环境特有的极端不确定性的情况下进行稳健的证据更新。特别是，利用Fagin-Halpern条件的概念，贝叶斯条件的自然扩展是来自证据，采取的形式，一般的信念函数。所提出的工作从根本上不同于条件更新方程（CUE）和作者自己的扩展它。此外，还提供了各种融合背景下的参数选择的见解。
2017-06-10 cs.AI
Isopignistic Canonical Decomposition via Belief Evolution Network
University of Electronic Science and Technology of China（电子科技大学）；Institute of Fundamental and Frontier Science（基础与前沿研究院）；Vanderbilt University（范德堡大学）；School of Medicine（医学院）
本文提出基于信念演化网络的等概率承诺转换，并与超谨慎可转移信念模型结合建立新的典型分解，为统一概率论、Dempster-Shafer理论和可能性理论的信息处理提供理论基础。
2024-08-30 cs.AI
Approximate Inference Algorithms for Hybrid Bayesian Networks with Discrete Constraints
在本文中，我们考虑混合混合网络（HMN），这是混合贝叶斯网络，允许离散的确定性信息建模明确的形式的约束。我们提出了两个近似推理算法HMN集成和调整众所周知的算法原理，如广义置信传播，Rao-Blackwellised重要性采样和约束传播，以解决复杂的建模和推理HMN。我们证明了我们的近似推理算法随机生成的HMN的性能。
2012-07-04 cs.AI
Improved Mean and Variance Approximations for Belief Net Responses via Network Doubling
University of Alberta（阿尔伯塔大学）
贝叶斯信念网络模型的联合分布与有向无环图表示变量和网络参数之间的依赖关系表征条件分布。这些参数被视为随机变量，以量化其值的不确定性。信度网用于计算对查询的响应;即，兴趣的条件概率。查询是参数的函数，因此是随机变量。Van Allen等人（2001，2008）展示了如何通过方差的delta方法近似来量化查询的不确定性。我们开发更准确的近似查询均值和方差。其关键思想是将查询均值近似扩展到包含两个独立副本的“双重网络”。我们的方法假设完整的数据，可以应用于离散，连续和混合网络（提供离散变量只有离散的父母）。我们分析了几个改进，并提供实证研究，以证明其有效性。
2012-05-09 cs.AI
Task-assisted Motion Planning in Partially Observable Domains
University of Genoa（热那亚大学）；Arizona State University（亚利桑那州立大学）
本文提出了一种基于信念空间的机器人导航任务-运动规划集成框架。自主机器人在现实世界的复杂场景中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。为此，我们提出了一个框架内的混合任务规划整合信念空间推理。PDDL+的表达能力与语义驱动的语义附件相结合，在规划时执行传播和后验信念估计。讨论了开发组合混合规划器的基本方法，为改进和未来的工作提供了建议。此外，我们验证了我们的方法的关键方面，在模拟中使用一个现实的情况。
2019-08-27 cs.AI cs.RO
Decomposing Theory of Mind: How Emotional Processing Mediates ToM Abilities in LLMs
本研究通过对比激活加法引导，发现LLMs的理论思维能力提升由情绪处理而非分析推理所驱动。
2025-11-19 cs.AI
From Hybrid Mechanistic--Data-Driven Modeling Toward Neuro-Symbolic AI: What, Why, and How
Institute for Computational Biomedicine, RWTH Aachen University（计算生物医学研究所，亚琛工业大学）；Center for Computational Life Sciences, RWTH Aachen University（计算生命科学中心，亚琛工业大学）
研究旨在从混合机理-数据驱动建模迈向神经符号人工智能，核心方法是将混合建模设计重构为NeSy接口实例，即Hybrid-to-NeSy（H2N）转换，贡献是得出SVR和BD指标量化不确定性，通过案例研究验证了该方法的有效性。
2026-07-28 cs.AI cs.LG cs.LO
Methods for Integrating Knowledge with the Three-Weight Optimization Algorithm for Hybrid Cognitive Processing
Disney Research（迪士尼研究院）
在本文中，我们认为优化是一种快速灵活地开发混合认知能力的方法，这种能力是高效的，可扩展的，并且可以利用知识来提高解决方案的速度和质量。在这方面，我们专注于三权算法，其目的是解决一般的优化问题。我们提出了新的方法，将知识与该算法相结合，以提高表达能力，效率和规模，并证明这些技术的两个例子问题（数独和圆包装）。
2013-11-16 cs.AI
Modeling Transportation Routines using Hybrid Dynamic Mixed Networks
本文描述了一个通用的框架，称为混合动态混合网络（HDMNs），这是混合动态贝叶斯网络，允许表示离散的确定性信息的形式的约束。我们提出了近似推理算法，集成和调整众所周知的算法原理，如广义置信传播，Rao-Blackwellised粒子滤波和约束传播，以解决复杂的建模和推理HDMNs。我们使用这个框架来模拟一个人随着时间的推移的旅行活动，并预测给定当前位置的目的地和路线。我们提出了一个初步的实证评估，证明我们的建模框架和算法的有效性，使用几种变体的活动模型。
2012-07-04 cs.AI
A Hybrid Neuro-Symbolic Approach for Complex Event Processing
Cardiff University（卡迪夫大学）；University of California, Los Angeles（加州大学洛杉矶分校）；CCDC Army Research Laboratory（陆军研究实验室）；University of Brescia（布雷西亚大学）
训练一个模型来检测形成感兴趣的情况的相关事件的模式可能是一个复杂的问题：这种情况往往是不常见的，只有稀疏的数据可用。我们提出了一种基于事件演算的混合神经符号架构，可以执行复杂事件处理（CEP）。它利用神经网络来解释输入和表达复杂事件模式的逻辑规则。我们的方法能够使用比纯神经网络方法少得多的标记数据进行训练，并且即使在以端到端的方式进行训练时也能够学习对单个事件进行分类。我们将我们的方法与基于Urban Sounds 8 K的数据集上的纯神经网络方法进行了比较。
2020-10-13 cs.AI
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
A maximum entropy model of bounded rational decision-making with prior beliefs and market feedback
Centre for Complex Systems, The University of Sydney（悉尼大学复杂系统中心）；Securities Industry Research Centre of Asia-Pacific（亚太证券业研究中心）；CoreLogic, Inc.（CoreLogic公司）
有限理性是一个重要的考虑因素，因为智能体的处理能力往往有限，使得完美理性的假设不适用于许多实际任务。我们提出了一个信息理论的方法来推断代理决策史密斯竞争。该模型明确地捕捉代理的有界性（有限的信息处理能力）作为信息获取的成本，以扩大他们的先验信念。扩展被测量为后验决策和先验信念之间的Kullblack-Leibler分歧。当信息获取是免费的，经济人代理恢复，而在情况下，当信息获取变得昂贵，代理，而不是恢复到他们以前的信念。最大熵原理是用来推断最少偏置的决定的基础上正式的量子响应统计均衡框架内的史密斯竞争的概念。将先前的信念纳入这样一个框架，使我们能够系统地探讨在市场反馈的存在下，先前的信念对决策的影响，以及重要的是增加了一个时间解释的框架。我们使用澳大利亚住房市场数据验证了所提出的模型，显示了先验知识的引入如何改变所产生的代理决策。具体来说，它允许分离过去的信念和效用最大化行为的代理，以及分析到代理信念的演变。
2021-05-23 cs.AI cs.IT econ.TH
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
Sequential Processing of Observations in Human Decision-Making Systems
Syracuse University（雪城大学）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
在这项工作中，我们考虑一个二元假设检验问题，涉及一组人类决策者。由于人类行为的本质，每个人类决策者在随机的时间长度内顺序地观察感兴趣的现象。人类使用信念模型来累积对数似然比，直到他们停止观察这种现象。信念模型用于表征人类决策者对不同时刻的观察的感知，即，一些决策者可能会更重视较早而不是较晚观察到的观察结果，反之亦然。全局决策器是一台机器，它使用Chair-Varshney规则融合人类决策，并为人类决策提供不同的权重，其中权重由人类用于得出其各自决策的观察值的数量确定。
2023-01-25 cs.AI cs.HC eess.SP
Exploring Parallelism in Learning Belief Networks
已经表明，一类概率领域模型不能正确地学习几个现有的算法，采用一个单一的链接前瞻搜索。当使用多链路前瞻搜索时，学习算法的计算复杂性增加。我们研究了如何使用并行性来解决学习这些模型的复杂性增加，并加快在大型域的学习。提出了一种并行处理的学习任务分解算法。进一步的任务分解用于均衡处理器之间的负载，以提高加速和效率。为了从非常大的数据集学习，我们提出了一个重组的可用处理器，通过文件的缓慢数据访问可以被快速内存访问所取代。我们在并行计算机上的实现证明了算法的有效性。
2013-02-06 cs.AI cs.LG
Quantum Information Fusion and Correction under the Transferable Belief Model
School of Electronics and Information, Northwestern Polytechnical University（电子信息学院，西北工业大学）；College of Future Information Technology, Fudan University（未来信息技术学院，复旦大学）；College of Information Engineering, Northwest A\&F University（信息工程学院，西北农林科技大学）；Institute of Fundamental and Frontier Science, University of Electronic Science and Technology of China（基础与前沿科学研究院，电子科技大学）；Department of Image and Information Processing, IMT-Atlantique（图像与信息处理系，IMT-Atlantic）
针对可转移信度模型经典运算复杂度随幂集组合增长的问题，提出基于质量函数量子态的量子电路推理框架，实现线性复杂度的信度融合与校正，验证了其可解释性与抗噪性，拓展了量子信息处理的语义表示方式。
2026-08-22 cs.AI quant-ph
Multi-sensor data fusion based on a generalised belief divergence measure
Southwest University（西南大学）
多传感器数据融合技术在实际应用中发挥着重要作用。由于证据理论在建模和处理不确定信息时不考虑先验概率的灵活性和有效性，因此在信息融合的各个领域得到了广泛的应用。然而，当融合高度冲突的证据时，可能会出现违反直觉的结果。为了解决这一问题，提出了一种基于广义信度测度的多传感器数据融合方法。该方法首先综合考虑证据的充分性和重要性，确定证据的可靠性权重;在此基础上，根据证据的可信度权重，设计了一种新的广义置信度Jensen-Shannon散度（GBJS）来度量多个证据之间的差异和冲突程度，并利用GBJS来度量证据的支持度。然后，在使用Dempster合成规则之前，先用证据的支持度对证据体进行调整。最后通过故障诊断实例验证了该方法的有效性。
2018-06-05 cs.AI cs.IT math.IT
ARCADE: A Real-Time Data System for Hybrid and Continuous Query Processing across Diverse Data Modalities
Nanyang Technological University, Singapore（南洋理工大学）
ARCADE是一个实时数据系统，通过统一索引、代价优化器和增量物化视图，支持多模态数据的混合与连续查询，性能显著优于现有系统。
2025-09-24 cs.AI cs.DB
Message Scheduling for Performant, Many-Core Belief Propagation
School of Computing University of Utah（犹他大学计算学院）
置信传播（BP）是一种用于概率图模型（PGMs）上的近似推理的消息传递算法，在计算机视觉、纠错码和蛋白质折叠等领域有着广泛的应用。虽然一般，算法的收敛性和速度限制了其在困难的推理问题上的实际应用。众核图形处理单元（GPU）作为一种高度并行化的算法，可以显著提高BP算法的性能。通过众核系统改进BP是不平凡的：算法中消息的调度强烈影响性能。我们提出了一个BP在GPU上的消息调度的研究。我们证明，BP表现出的速度和收敛之间的权衡并行性的基础上，并表明现有的消息处理不能够利用这种权衡。为此，我们提出了一种新的随机消息调度方法，随机BP（RnBP），它优于现有的方法在GPU上。
2019-09-24 cs.AI cs.CV cs.DC
On Continuous Local BDD-Based Search for Hybrid SAT Solving
Rice University（莱斯大学）
我们探讨了连续局部搜索（CLS）在SAT求解的潜力，提出了一种新的方法来寻找一个混合系统的布尔约束的解决方案。该算法是基于CLS结合置信传播二叉决策图（BDD）。我们的框架接受所有的布尔约束，承认紧凑的BDD，包括对称布尔约束和小系数伪布尔约束作为有趣的家庭。我们提出了一种新的算法，有效地计算CLS所需的梯度。我们研究我们的多功能CLS求解器，GradSAT的能力和局限性，通过将其应用于许多基准测试实例。实验结果表明，GradSAT可以是一个有用的除了现有的SAT和MaxSAT求解器解决布尔可满足性和优化问题的投资组合。
2021-06-12 cs.AI cs.IT cs.LG
Bayesian Epistemology with Weighted Authority: A Formal Architecture for Truth-Promoting Autonomous Scientific Reasoning
Department of Computer Science University of Exeter（计算机科学系埃克塞特大学）
针对科学文献爆炸超越认知处理能力的问题，提出加权权威贝叶斯认识论（BEWA）架构，通过贝叶斯推断、矛盾处理等机制，实现促进真理的机器科学推理。
2025-06-19 cs.AI cs.CL cs.DB
