A new probabilistic transformation of belief mass assignment
ONERA The French Aerospace Lab（法国航空航天实验室（ONERA））；University of New Mexico（新墨西哥大学）
在本文中，我们提出了在Dezert-Smarandache理论（DSmT）的框架，一个新的概率变换，称为DSmP，以建立一个主观的概率测度从任何基本的信念分配定义的任何模型的识别框架。给出了几个例子来展示如何DSmP变换的作品，我们比较它的主要现有的文献中提出的转换到目前为止。我们展示了DSmP在概率信息量（PIC）方面优于经典变换的优势。这种转换处理定性信念分配的直接扩展。
2008-07-23 cs.AI
Revising Incompletely Specified Convex Probabilistic Belief Bases
Centre for Artificial Intelligence Research（人工智能研究中心）；CAIR（人工智能研究中心）；University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）；CSIR Meraka（南非科学与工业研究理事会梅拉卡研究所）；University of Cape Town（开普敦大学）；University of Luxembourg（卢森堡大学）
我们提出了一种方法，当观察到一个新的命题信息时，代理修改其不完整的概率信念。在这项工作中，代理人的信念是由一组概率公式-信念基础。该方法包括确定一组代表性的“边界”概率分布与当前的信念基础一致，修改这些概率分布中的每一个，然后将修改后的信息转换成一个新的信念基础。我们使用一种版本的Lewis Imaging作为翻修手术。证明了该方法的正确性。所考虑的信念基础的表达能力是相当有限的，但有一些应用。我们还讨论了采用最佳熵的概念的信念基础的修订方法，并指出这些方法的一些好处和困难。边界分布法和最优熵法都是合理的，但得到的结果不同。
2016-04-07 cs.AI
Probabilistic Models for Agents' Beliefs and Decisions
Stanford University（斯坦福大学）
智能系统的许多应用需要对领域中代理的心理状态进行推理。我们可能想推理一个智能体的信念，包括关于其他智能体的信念;我们也可能想推理一个智能体的偏好，以及他的信念和偏好如何与他的行为相关。我们定义了一个概率认知逻辑（PEL），其中的信念语句给出了一个正式的语义，并提供了一个算法，断言和查询的PEL公式在贝叶斯网络。然后，我们将展示如何通过将代理的决策过程建模为影响图并假设他的行为是理性的来推理代理的行为。然后，PEL可以用于从代理的观察到的动作推理到关于域的其他方面的结论，包括未观察到的域变量和代理的精神状态。
2013-01-16 cs.AI
Factored Probabilistic Belief Tracking
Universidad Simón Bolívar（西蒙·玻利瓦尔大学）；ICREA（加泰罗尼亚高等研究院）；Universitat Pompeu Fabra（庞培法布拉大学）
在随机行为和观测存在下的信念跟踪问题是普遍存在的，但计算上是棘手的。然而，在这项工作中，我们表明，概率信念可以保持在因式分解的形式，准确和有效地跨越一些因果关系封闭的梁，当状态变量出现在一个以上的梁服从一种形式的向后决定论。由于计算边际的因素仍然是计算棘手的一般情况下，和变量出现在几个波束并不总是向后确定的，基本配方扩展了两个近似：形式的置信度传播计算边际的因素，和采样的非向后确定性的变量，使这些变量向后确定给定的采样历史。与Rao-Blackwellized粒子滤波不同，采样不是用于使推理易于处理，而是用于使因子分解合理。由此产生的算法涉及采样和置信传播，或者根据模型的结构仅涉及其中之一。
2019-09-26 cs.AI
Probabilistic Conceptual Network: A Belief Representation Scheme for Utility-Based Categorization
Stanford University（斯坦福大学）
概率概念网络是一种知识表示方案，用于基于效用的分类中的概念推理和分类抽象。该方案结合了人工智能的抽象和继承层次的形式主义，和决策分析的概率网络。它提供了一个表示概念知识、层次知识和不确定性的通用框架。它促进了在不同抽象层次上动态构建分类决策模型。该计划被应用到一个自动化加工问题的推理机器的状态在不同的抽象层次，以支持行动，以保持竞争力的工厂。
2013-03-06 cs.AI
Aligning Probabilistic Beliefs under Informative Missingness: LLM Steerability in Clinical Reasoning
Department of Biomedical Informatics（生物医学信息学系）
本文研究LLM能否利用信息性缺失进行预测推理，通过分析三种提示方法发现，尽管结构引导和上下文学习可提升概率对齐，但需精心干预才能利用信息性缺失。
2026-03-18 cs.AI
Kutato: An Entropy-Driven System for Construction of Probabilistic Expert Systems from Databases
Stanford University（斯坦福大学）
Kutterfly是一个系统，它将案例数据库作为输入，并生成一个信念网络，该网络捕获了这些数据所表示的许多依赖关系。该系统包括用于确定信任网络的熵的模块和用于基于熵计算来构建信任网络的模块。Kutato构建了一个初始信念网络，其中假设数据库中的所有变量都是边缘独立的。计算这个信念网络的熵，并添加使所得信念网络的熵最小化的弧。弧的条件概率直接从数据库获得。该过程继续，直到达到基于熵的阈值。我们已经通过使用概率逻辑抽样方法从网络生成数据库，然后使用这些数据库作为输入到Kubernetes来测试该系统。该系统始终以高保真度再现原始信念网络。
2013-03-27 cs.AI
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
Directed Cycles in Belief Networks
The University of Melbourne（墨尔本大学）
概率推理中最困难的任务可能是处理信念网络中的有向循环。据作者所知，迄今为止，在概率推理的文献中还没有对这个问题进行认真的讨论。
2013-03-27 cs.AI
Laplace's Method Approximations for Probabilistic Inference in Belief Networks with Continuous Variables
Stanford University（斯坦福大学）；University of Sao Paulo（圣保罗大学）
拉普拉斯方法，一个家庭的渐近方法用于近似积分，提出了作为一个潜在的候选人的工具箱的技术用于知识获取和概率推理的信念网络与连续变量。在许多有趣的情况下，该技术以合理的精度近似后验矩和边缘后验分布[后验均值的误差为O（n^-2）]。该方法似乎也有前途的贝叶斯因子的计算近似的背景下使用的模型选择，模型的不确定性和混合PDF。拉普拉斯方法的实施的局限性，规律性条件和计算困难与最大似然和后验模式分析的方法相关联。
2013-02-27 cs.AI
Additive Belief-Network Models
Stanford University School of Medicine（斯坦福大学医学院）；Rockwell Palo Alto Laboratory（罗克韦尔帕洛阿尔托实验室）
概率推理固有的困难性阻碍了信度网络在大领域的应用。噪声OR门[30]和概率相似性网络[18，17]通过限制模型表达能力来避免推理的复杂性。最近的工作在信网络模型的应用时间序列分析和预测[9，10]已经引起了加性信网络模型（ABNM）。我们（1）讨论了由信度网络的加性分解所作的近似的性质和含义，（2）在可用数据稀缺时显示出更高的加性模型归纳效率，（3）推广概率推理算法以利用ABNM的加性分解，（4）显示出更高的推理效率，（5）用简单的加性信度网络比较推理结果。
2013-03-06 cs.AI
Probabilistic Belief Embedding for Knowledge Base Completion
Tsinghua University（清华大学）；University of Stirling（斯特灵大学）；New York University（纽约大学）
本文提出了一种新的嵌入模型，该模型通过同时学习实体（$h$和$t$）、关系（$r$）和关系提及中的词（$m$）的分布式表示来度量大规模知识库中每个信念$\langle h,r,t,m\rangle$的概率。它通过简单的向量操作来发现新的信念，从而促进知识的完成。给定一个不完美的信念，我们不仅可以推断出缺失的实体，预测未知的关系，而且还告诉信念的可信性，只是利用剩余证据的学习嵌入。为了证明我们的模型的可扩展性和有效性，我们在几个包含来自WordNet，Freebase和NELL的数百万个信念的大型存储库上进行实验，并将其与其他尖端方法进行比较，通过竞争实体推理，关系预测和三元组分类任务评估的性能。大量的实验结果表明，该模型优于国家的最先进的显着改善。
2015-05-22 cs.AI
Diagnosing and Improving Probabilistic Reasoning in Large Language Models
Northwestern University（西北大学）
本文提出决策理论框架，将LLM决策损失分解为信念形成与行动优化，通过合成基准诊断概率推理，发现联合干预信念与决策可改进性能但依赖格式匹配。
2026-11-06 cs.AI
Intuitions about Ordered Beliefs Leading to Probabilistic Models
Plymouth State College（普利茅斯州立学院）
一般使用主观概率模型的信念已被证明使用许多公理化计划。例如，？一致的赌博行为的论点是众所周知的。对于那些还不相信概率模型的唯一适用性和普遍性的人来说，这样的理由往往是没有说服力的。本文探讨概率模型的另一个基本原理。?定性概率，这是已知的信念表示方案提供严格的限制，来自五个简单的假设之间的关系信念。虽然熟悉的理性概念，如传递性，优势，和一致性的对应物被使用，赌博的背景下被避免。定性概率和概率本身之间的差距可以通过几个附加假设中的任何一个来弥合。这里的讨论依赖于最近人工智能文献中常见的结果，引入了第六个简单的假设。叙述强调模型的基础上独特的完整的排序，但理由很容易扩展到激励集值表示的偏序。
2013-03-13 cs.AI
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
Empirical Evaluation of Approximation Algorithms for Probabilistic Decoding
University of California, Irvine（加州大学尔湾分校）
最近表明，通过噪声信道传输的解码消息的问题可以用公式表示为概率网络上的信念更新任务[McEliece]。此外，据观察，迭代应用（线性时间）珍珠的信念传播算法设计的多边形树优于最先进的解码算法，即使相应的网络可能有许多周期。本文证明了经验的近似算法approx-mpe解决最可能的解释（MPE）问题，最近提出的小桶消除框架内[Dechter 96]，优于迭代置信传播类的编码网络，有界的诱导宽度。我们的实验表明，近似MPE解码器可以很好的竞争对手的近似信念更新解码器。
2013-01-30 cs.AI
Second-Order Belief Hidden Markov Models
IRISA（法国信息与随机系统研究所）；University of Tunis（突尼斯大学）
隐马尔可夫模型（Hidden Markov Models，简称HMM）是一种用于模式识别的学习方法。基于贝叶斯模型的概率延迟是最常用的技术之一。将一阶概率Hacker引入到置信函数理论中，用质量函数代替贝叶斯概率。在本文中，我们提出了一个二阶隐马尔可夫模型的信念函数。以前的作品在信念Hynomial一直集中在一阶Hynomial。我们将其推广到二阶模型。
2015-01-22 cs.AI
Making Decisions with Belief Functions
SRI International（SRI国际公司）；Artificial Intelligence Center（人工智能中心）
不确定性推理的一个主要动机是在面对非决定性证据时得出决策。然而，谢弗的信念函数理论，它明确地表示了许多推理问题的约束不足的性质，缺乏一个正式的决策程序。显然，当没有足够的信息可用时，没有任何理论可以在不做额外假设的情况下规定行动。面对这种情况，如果要出现一个明显更优的选择，就必须做出一些假设。在本文中，我们提供了一个简单的假设，消除歧义的决策问题表示的信念函数的概率解释。我们证明，它产生的期望值相同的概率分析，使相同的假设。此外，我们展示了如何经常在概率推理中使用的决策分析方法可以扩展到使用的信念函数。
2013-03-27 cs.AI
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
Anytime Exact Belief Propagation
Artificial Intelligence Center（人工智能中心）；SRI International（斯坦福国际研究院）
统计关系模型和最近的概率编程，已经朝着逻辑和概率推理的集成迈进。对这个项目的一个自然期望是，当提供一个只涉及0-1概率的模型时，概率逻辑推理算法简化为逻辑推理算法，表现出逻辑推理的所有优点，如短路，可理解性，以及为查询答案提供证明树的能力。事实上，我们可以进一步要求，即使对于概率为\emph{near} 0和1的概率模型，这些特征也必须存在，随着模型变得更加不确定，这些特征也会逐渐退化。我们还寻求的推断，摊销常数时间复杂度模型的大小（即使仍然是指数的诱导宽度的一个更直接相关的部分），使它可以应用于巨大的知识库，其中只有一个相对较小的部分是相关的典型查询。我们认为，在概率推理算法中，信念传播是最类似于逻辑推理：消息在相邻变量之间传播，消息传递的路径类似于证明树。然而，置信传播要么只适用于树模型，要么近似（并且不保证）精度和收敛。在本文中，我们提出了一个随时精确的信念传播算法，是非常相似的信念传播，但即使是图形模型的周期是准确的，同时表现出软短路，摊销常数时间复杂度的模型大小，并可以提供概率证明树的进展工作。
2017-07-27 cs.AI
Tyche: A library for probabilistic reasoning and belief modelling in Python
The University of Western Australia（西澳大利亚大学）
本文介绍了Tyche，这是一个Python库，通过构建、查询和学习信念模型来促进不确定世界中的概率推理。Tyche使用任意描述逻辑（ADL），这在其评估中提供了优于其他描述逻辑的计算优势。Tyche信念模型可以通过定义个人的类别，关于他们的概率信念（概念）以及他们之间的概率关系（角色）来简洁地创建。我们还介绍了一种方法的观察传播，以促进学习复杂的ADL观察。一个示范的Tyche预测匿名消息的作者，并从匿名消息中提取作者的写作倾向，提供。Tyche有潜力帮助开发专家系统、知识提取系统和代理，以利用不完整和概率信息进行游戏。
2022-08-21 cs.AI cs.LO
An Empirical Evaluation of a Randomized Algorithm for Probabilistic Inference
Stanford University School of Medicine（斯坦福大学医学院）
近年来，决策分析和人工智能领域的研究者们开始使用贝叶斯信念网络来建立专家意见模型。使用从计算复杂性理论得出的标准方法，该领域的工作者已经表明，在信念网络中的概率推理问题是困难的，几乎可以肯定是棘手的。K-NET是一个在决策论的公理框架内构造知识系统的软件环境，它包含一个概率推理的随机近似方案。在许多情况下，该算法可以在大型且相互关联的医学诊断模型中进行有效的近似推理。与先前描述的概率推理的随机算法不同，随机近似方案通过分析信度网络的结构和内容来计算运行时间的先验界。本文描述了一种用于概率推理的随机算法，并从数学上分析了它的性能。然后，我们将论文的主要部分用于讨论算法的经验行为。结果表明，良好的试验（即，试验的分布紧密匹配的真实分布），而不是众多平庸的试验的计算，占主导地位的随机模拟的性能的产生。关键词：概率推理，信度网络，随机模拟，计算复杂性理论，随机算法。
2013-03-27 cs.AI
Simplified Continuous High Dimensional Belief Space Planning with Adaptive Probabilistic Belief-dependent Constraints
Technion - Israel Institute of Technology（以色列理工学院）
部分可观测域不确定性下的在线决策，也称为信念空间规划，是机器人学和人工智能中的一个基本问题。由于未来存在大量看似合理的解释，计算最优行动方案给智能体带来了巨大的计算负担。此外，在许多情况下，例如，在信息收集中，需要引入依赖于信念的约束。基于这一需求，本文考虑了最近提出的概率信念依赖约束POMDP。我们提出了一种技术，自适应地接受或放弃一个候选动作序列的概率信念依赖的约束，扩展一个完整的未来观测样本集之前，没有任何损失的准确性。此外，使用我们提出的框架，我们贡献了一种自适应方法来找到最大可行回报（例如，信息增益）在风险价值方面的候选动作序列具有实质性的加速。最重要的是，我们引入了一个自适应简化技术的概率约束设置。这种方法可以证明返回一个相同质量的解决方案，同时大大加快在线决策。我们的通用框架适用于任何信念依赖约束连续POMDP参数信念，以及粒子表示的非参数信念。在信息理论约束的背景下，我们提出的框架随机量化，如果沿规划范围的累积信息增益是足够显着的（例如，信息收集，主动SLAM）。我们将我们的方法应用到主动SLAM，一个具有高度挑战性的高维信念空间规划问题。广泛的现实模拟证实了我们提出的想法的优越性。
2023-02-13 cs.AI cs.RO
A Structured, Probabilistic Representation of Action
Stanford University（斯坦福大学）
当智能体在现实世界中设计执行计划时，他们面临两种重要形式的不确定性：他们永远无法完全了解世界的状态，并且他们没有完全的控制权，因为他们的行动的效果是不确定的。虽然大多数经典的规划方法避免明确的不确定性推理，我们认为，不确定性应该明确表示和推理。我们开发了一个概率表示的状态和行动，基于信念网络。我们定义了条件信念网（CBN），以捕捉一个动作对世界状态的影响的概率依赖性。我们还使用CBN来表示环境中实体之间的内在关系，这些关系在状态之间持续存在。我们提出了一个简单的投影算法来构建一个行动的后续状态的信念网络，使用环境CBN模型来推断间接影响。我们讨论了如何定性方面的信念网络和CBN使他们适合的各个阶段的问题解决过程中，从模型构建规划算法的设计。
2013-02-27 cs.AI
Hybrid Processing of Beliefs and Constraints
University of California, Irvine（加州大学欧文分校）
本文探讨了处理概率和确定性信息时，前者表示为一个信念网络和后者作为一组布尔子句的算法。激励任务是1。评估具有大量确定性关系的信念网络; 2.评估复杂布尔查询在信任网络上的概率。我们提出了一个参数化的家庭变量消除算法，利用这两种类型的信息，并允许不同程度的约束传播推断。该方案的复杂性由图{em增广}的诱导宽度控制，由布尔约束引入的依赖关系。初步的经验评估证明了约束传播对概率计算的影响。
2013-01-10 cs.AI
Modeling Uncertainty: Constraint-Based Belief States in Imperfect-Information Games
ICTEAM, UCLouvain（ICTEAM，乌尔特拉-努夫大学）
本文研究不完全信息博弈中的信念表示，提出基于约束满足问题的方法并与信念传播概率推理对比，实验表明约束信念能以更简单方式达到与概率推理相当的决策性能。
2025-08-19 cs.AI
Compact Belief State Representation for Task Planning
Istituto Italiano di Tecnologia（意大利理工学院）；Università di Genova（热那亚大学）
概率信念状态域中的任务规划允许在受状态不确定性影响的那些域中生成复杂且鲁棒的执行策略。任务规划器的性能依赖于信念状态表示。然而，目前的信念状态表示变得容易棘手的变量和执行时间的增长。为了解决这个问题，我们开发了一种新的信念状态表示的基础上的carnival产品和联盟的信念子状态的操作。这两种操作和单变量赋值节点构成了信念状态的与或有向无环图（AOBS）。我们展示了如何应用具有概率结果的动作，并测量在信念状态下保持的条件的概率。我们在模拟前向状态空间探索中评估了AOBS的性能。我们比较了AOBS的大小与以前用来表示信念状态的二元决策图（BDD）的大小。我们表明，AOBS表示不仅是一个完整的信念状态更紧凑，但它也比BDD在大多数情况下规模更好。
2020-08-21 cs.AI
An Interpretation of Belief Functions by means of a Probabilistic Multi-modal Logic
ENSTA Bretagne（布列塔尼国立高等先进技术学院）
虽然信度函数可以被正式地看作是概率分布的推广，但信度函数和概率之间的相互作用问题在实践中仍然是一个问题。这个问题是困难的，因为这些理论的使用背景明显不同，这些理论背后的语义并不完全相同。一个日益受到社会关注的突出问题，就是对冲突信息的管理。最近的作品介绍了新的规则，处理冲突的重新分配，同时结合信念功能。冲突的概念，或其取消开放世界的假设，似乎本身就阻止了直接解释的信念函数的概率框架。本文讨论的问题的概率解释的信念功能。它首先介绍并实现了一个理论上的接地规则，这在本质上是一个自适应合取规则。它示出，如何从逻辑解释的置信函数的概率多模态逻辑，这一规则是来自;此外，引入了一个概念的源独立性，基于熵最大化的原则。
2011-09-29 cs.AI cs.LO math.LO
Circular Belief Propagation for Approximate Probabilistic Inference
Ecole Normale Supérieure（巴黎高等师范学院）；Université de Lille（里尔大学）；Iktos SA（Iktos公司）；Institut de Neurosciences de la Timone（timone神经科学研究所）
本文提出循环置信传播（CBP），通过学习检测和消除循环引起的虚假相关性和置信度放大，在二元概率图上显著优于标准置信传播，并接近先前算法的性能。
2024-03-17 cs.AI cs.LG
General Belief Measures
概率测量本身，被认为是不合适的建模的动力学的平原信念和他们过于强大的可测量性约束，使他们不适合一些代表性的任务，例如，在一阶知识的背景下。因此，在本文中，我们将寻找可能的替代方案和扩展。首先，我们划定了一般领域的利益，提出了一个最低限度的假设清单，以满足任何合理的准概率估值概念。在这个框架内，我们研究了两种特别有趣的准措施，没有或少得多的传统问题的影响。* 排序测度，推广了Spohn型测度和可能性测度。* 累积的措施，结合概率和排名的哲学，从而允许一个细粒度的静态和动态的信念。
2013-02-27 cs.AI
Belief Updating and Learning in Semi-Qualitative Probabilistic Networks
本文探讨了结合数值和定性信息的半定性概率网络（SQPN）。我们首先证明了SQPN的精确推理是NPPP完全的。然后，我们表明，现有的SQPN（加上概率逻辑和不精确的评估）的定性关系，可以有效地处理通过多线性规划。然后我们讨论学习：我们考虑一种最大似然方法，它在给定SQPN和经验数据的情况下产生点估计，我们描述了一种贝叶斯思想的方法，它采用不精确狄利克雷模型来产生集值估计。
2012-07-04 cs.AI stat.ML
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
A Probabilistic End-To-End Task-Oriented Dialog Model with Latent Belief States towards Semi-Supervised Learning
Tsinghua University（清华大学）；China Mobile Research Institute（中国移动研究院）
在面向任务的对话系统中，结构化信念状态对于用户目标跟踪和数据库查询至关重要。然而，训练信念跟踪器通常需要对每个用户话语进行昂贵的回合级别注释。在本文中，我们的目标是减轻信任状态标签在建设端到端的对话系统的依赖，利用无标签的对话数据对半监督学习。我们提出了一个概率对话模型，称为潜在的BElief状态（LABES）模型，其中的信念状态表示为离散的潜变量，并与系统响应给定用户输入联合建模。这种潜变量建模使我们能够在变分学习的原则框架下发展半监督学习。此外，我们还介绍了LABES-S2 S，这是LABES的复制增强Seq 2Seq模型实例。在监督实验中，LABES-S2 S在三个不同尺度的基准数据集上获得了很好的结果。在利用未标记的对话数据时，半监督LABES-S2 S显著优于仅监督和半监督基线。值得注意的是，我们可以将注释需求减少到50%，而不会降低MultiWOZ的性能。
2020-10-13 cs.AI cs.CL
A Probabilistic Reasoning Environment
Decision Science Consortium, Inc.（决策科学联盟公司）
一个框架，提出了一个计算理论的概率参数。概率推理环境在三个层次上对知识进行编码。在最深层是一组编码系统领域知识的模式。这些知识用于构建一组第二级参数，这些参数的结构是为了有效地重新捕获用于构建它们的知识。最后，在顶层是一个由参数构建的贝叶斯网络。该系统的目的不仅是为了促进信念的传播和证据的同化，而且是构建信念网络，评估其充分性，并在必要时进行修改的动态过程。
2013-03-27 cs.AI
Risk Aware Adaptive Belief-dependent Probabilistically Constrained Continuous POMDP Planning
Technion - Israel Institute of Technology（以色列理工学院）
虽然风险意识是一个在线操作代理的基础，但在具有挑战性的连续域和部分可观测性下，它受到的关注较少。本文提出了一种新的公式和解决方案的风险厌恶的信念依赖的概率约束连续POMDP。我们解决了一个苛刻的设置依赖于信念的奖励和约束算子。概率置信度参数使我们的公式真正规避风险，比最先进的机会约束更灵活。我们严格的分析表明，在最严格的概率置信度的情况下，我们的配方是非常接近的机会约束。然而，我们的概率公式允许更快，更准确的自适应接受或修剪的行动履行或违反约束。此外，在任意置信参数下，我们没有找到与我们的方法类似的任何方法。我们提出了算法的解决方案，我们的配方在连续域。我们还使用重要性采样将机会约束方法提升到连续环境中。此外，我们提出的所有算法都可以使用粒子表示的参数和非参数信念。最后，我们给出了机会约束连续POMDP的一个近似，并对其进行了严格的分析和模拟。仿真结果表明，我们的算法表现出前所未有的celebrations相比，基线，在碰撞方面具有相同的性能。
2023-02-21 cs.AI cs.RO
Exploring the Potential for Large Language Models to Demonstrate Rational Probabilistic Beliefs
Department of Computing, Imperial College London, UK（计算系，帝国理工学院伦敦分校）
针对大型语言模型（LLMs）在信息检索和自动化决策系统中的应用需求，研究发现当前LLMs缺乏理性连贯的概率信念表示能力，通过构建含不确定真值声明的新数据集并应用成熟量化技术验证了该问题。
2025-04-18 cs.AI cs.CL
On Lockean beliefs that are deductively closed and minimal change
Artificial Intelligence Research Institute (IIIA - CSIC)（人工智能研究 institutes（IIIA - CSIC））；Centre de Recherche en Informatique de Lens (CRIL)（信息学研究中心（CRIL））；Department of Mathematics, University of Barcelona (UB)（数学系，巴塞罗那大学（UB））
本文针对洛克式信念集不封闭于经典演绎的问题，提出两类封闭信念集的特征刻画，并设计概率更新方法实现最小修订，以最少变更达成演绎封闭。
2025-07-08 cs.AI
Mixtures of Deterministic-Probabilistic Networks and their AND/OR Search Space
本文介绍了混合网络，一个新的框架表示和推理的概率和确定性的信息。该框架结合了信任网络和约束网络，定义了语义和图形表示。我们还为图模型引入了与或搜索空间，并提出了一种新的线性空间搜索算法。这为理解单独处理约束信息的好处提供了基础，从而导致搜索空间的修剪。当约束部分是易处理的或有少量的解决方案时，使用混合表示可以比使用将约束模型化为条件概率表的纯信念网络指数地更有效。
2012-07-11 cs.AI
Integrating Belief Domains into Probabilistic Logic Programs
University of Ferrara（费拉拉大学）；Coherent Knowledge, Inc.（coherent knowledge 公司）
本文提出基于信念函数的容量逻辑程序，扩展分布语义以处理信念不确定性，提升概率逻辑程序在处理复杂不确定性问题中的能力。
2025-09-23 cs.AI cs.LO
Mathematical Theory of Evidence Versus Evidence
Polish Academy of Sciences（波兰科学院）
本文讨论了Shafer \cite{Shafer:76}的数学证据理论（Mathematical Theory of Evidence，MTE）的一个明显的最大弱点，该弱点已被Wasserman \cite{Wasserman:92ijar}强烈批评。证明了Shafer提出的MTE信度函数概率解释的\cite{Shafer:90b}的缺点。在此基础上，提出了一种既符合信度函数定义又符合Dempster独立证据组合规则的MTE概率解释。它示出的Shaferian条件的信念功能的观察\cite{Shafer:90b}可以被视为选择与修改的数据相结合，即数据不被视为它是，但它是铸造成一个人的信念，它应该是什么样子。
2018-11-09 cs.AI
Summary of A New Normative Theory of Probabilistic Logic
Simon Fraser University（西蒙弗雷泽大学）
我所说的概率逻辑是指一种规范性的信念理论，它解释了一系列证据如何影响人们对一个可能假设的信念程度。这种理论的一个新的公理化，它避免了有限的可加性公理，但保留了许多有用的推理规则。这个理论的许多例子--它的模型并没有使用数字概率。换句话说，本文对以下两个问题给出了更尖锐的回答：1.什么样的集合可以作为概率函数的值域？2.在什么条件下概率函数的值域集合同构于区间10，1/中的实数集合？
2013-03-27 cs.AI
PGMax: Factor Graphs for Discrete Probabilistic Graphical Models and Loopy Belief Propagation in JAX
DeepMind（深度思维）；Massachusetts Institute of Technology（麻省理工学院）
PGMax是一个开源Python包，用于（a）轻松地将离散概率图形模型（PGM）指定为因子图;以及（b）在JAX中自动运行高效和可扩展的循环置信传播（LBP）。PGMax支持具有易处理因子的一般因子图，并利用GPU等现代加速器进行推理。与现有的替代方案相比，PGMax获得了更高质量的推理结果，推理时间加速高达三个数量级。PGMax还与快速增长的JAX生态系统无缝交互，开辟了新的研究可能性。我们的源代码、示例和文档可以在https://github.com/deepmind/PGMax上找到。
2023-03-24 cs.AI cs.LG stat.ML
Search-based Methods to Bound Diagnostic Probabilities in Very Large Belief Nets
Rockwell International Science Center（罗克韦尔国际科学中心）
由于精确的概率推理是棘手的一般大型多连接的信念网，近似方法是必需的。一种有前途的方法是在假设（网络的实例化）中使用启发式搜索来找到最可能的假设，如TopN算法。搜索是基于假设的相对概率，这是有效的计算。给定部分假设的相对概率的上界和下界，就有可能获得假设的绝对概率的界限。最佳优先搜索的目的是减少最大误差逐步缩小边界的更多的假设进行检查。在这里，定性概率分析得到的BN 20类网络的网络和概括取代噪声或负协同假设的部分假设的相对概率的界限。该方法是通过应用到一个非常大的信念网络，QMR-BN，这是一个重新制定的内科医生-1系统的内科诊断说明。
2013-03-20 cs.AI
Qualitative Propagation and Scenario-based Explanation of Probabilistic Reasoning
Carnegie Mellon University（卡内基梅隆大学）；Rockwell International Science Center（罗克韦尔国际科学中心）
概率推理的可理解性解释是专家系统和决策支持系统中贝叶斯方法被广泛接受的先决条件。一项关于人类在不确定性下推理的研究提出了两种不同的策略来解释概率推理：第一种是定性信念传播，通过信念网络从一个变量到下一个变量追踪证据的定性效果。这种传播算法是Wellman（1988）的图约简算法的替代，用于定性概率网络中的推理。它是基于一个定性分析的因果关系推理，这是一个概括的珍珠的“解释了”，并替代韦尔曼的定性协同作用的定义。另一种是基于情景的推理，涉及到替代因果“故事”的产生。比较几个最可能的场景提供了一种近似的方法来解释概率推理的结果。这两种方案采用因果关系以及概率知识。概率可以被呈现为短语和/或数字。用户可以控制解释的风格、抽象性和完整性。
2013-03-27 cs.AI
Network Fragments: Representing Knowledge for Constructing Probabilistic Models
Information Extraction and Transport, Inc.（信息提取与传输公司）；George Mason University（乔治梅森大学）
在大多数当前的信度网络应用中，领域知识由适用于领域中所有问题实例的单个信度网络表示。在更复杂的领域中，特定问题的模型必须从编码域中的概率关系的知识库中构建。基于知识的模型构建大多以规则作为知识的基本单位。我们提出了一个知识表示框架，允许知识库设计师指定知识在更大的语义有意义的单位，我们称之为网络片段。我们的框架提供了不对称的独立性和典型的因果间的相互作用表示。我们讨论了网络片段的组合，以形成特定问题的模型来推理特定的问题实例。该框架说明了从军事态势感知领域的例子。
2013-02-06 cs.AI
Belief Revision in Structured Probabilistic Argumentation
U.S. Military Academy（美国军事学院）；University of Oxford（牛津大学）；Universidad Nacional del Sur（南方国立大学）
在实际应用中，由特定领域的所有信息组成的知识库，以及当前的事态，必然包含来自不同来源的矛盾数据，以及带有不同程度不确定性的数据。同样，与维护知识库相关的工作的一个重要方面是决定哪些信息不再有用;信息片段（如情报报告）可能已经过时，可能来自最近发现的低质量来源，或者可能有大量证据与之相矛盾。在本文中，我们提出了一个概率结构化的论证框架，产生于扩展的假设可废止逻辑编程（PreDeLP）与概率模型，并认为这种形式主义是能够解决的基本问题，处理矛盾和不确定的数据。然后，为了解决最后一个问题，我们专注于研究概率PreDeLP程序上的非优先信念修正操作。我们提出了一套合理性假设-基于著名的经典知识库开发-的特点，这些操作应该如何表现，并研究了一类运营商的理论关系与建议的假设，包括表示定理，说明这类和一类运营商之间的等价性，其特征在于由假设。
2014-01-07 cs.AI cs.LO
Interference Effects in Quantum Belief Networks
Instituto Superior Técnico（高等技术学院）；INESC-ID
概率图模型（如贝叶斯网络）是计算机科学社区已知的用于导出概率推断的最强大的结构之一。然而，现代认知心理学已经揭示，人类的决策无法遵循经典概率论的规则，因为人类无法处理大量数据来做出判断。因此，所进行的推断是基于有限的数据加上几个推理，导致违反总概率定律。这意味着基于经典概率论的概率图模型太有限，无法完全模拟和解释人类决策的各个方面。量子概率论的发展是为了适应经典理论无法解释的矛盾发现。认知心理学的最新发现表明，量子概率可以在一个优雅的框架中完全描述人类的决策。他们的研究结果表明，在做出决定之前，人类的思想被视为叠加波，可以相互干扰，影响最终的决定。在这项工作中，我们提出了一个新的贝叶斯网络的基础上的心理认知科学家的发现。我们用文献中两个非常著名的贝叶斯网络做了实验。结果表明，量子贝叶斯网络可以极大地影响概率推理，特别是当网络的不确定性水平非常高时（没有观察到证据）。当不确定性水平非常低时，所提出的类量子网络就会坍缩到它的经典对应物。
2014-09-30 cs.AI
Syntax-based Default Reasoning as Probabilistic Model-based Diagnosis
IRIT（图卢兹信息研究所）；Universite Paul Sabatier（保尔·萨巴蒂埃大学（图卢兹第三大学））
我们认为基于语法的方法默认推理作为一个基于模型的诊断问题，其中每个源给出的一条信息被认为是一个组件。它在ATMS框架中形式化（每个源对应一个假设）。我们假设所有的源都是独立的，并且以非常小的概率“失败”。这导致了对候选集的概率分配，或者等价地对一致环境集的概率分配。这种概率分配导致了一个Dempster-Shafer信念函数，它测量了一个命题可以从证据中推导出来的概率。这个信念函数可以用几种不同的方式来定义一个非单调的后果关系。我们研究和比较这些后果关系。优先知识库的情况下被简要考虑。
2013-02-27 cs.AI
MCE Reasoning in Recursive Causal Networks
The University of Melbourne（墨尔本大学）
基于最小交叉熵（MCE）原理和递归因果模型（RCM）的概念，提出了一种不确定条件下的概率推理方法。变量之间的依赖关系和相关性用一种特殊的语言BNDL（信念网络描述语言）来描述。信念在代表潜在概率分布的BNDL程序的子句之间传播。用Prolog和C语言分别实现了BNDL语言的解释器，并与其它方法进行了性能比较。
2013-03-27 cs.AI
Optimal Monte Carlo Estimation of Belief Network Inference
Stanford University（斯坦福大学）
我们提出了两个蒙特卡罗抽样算法的概率推理，保证多项式时间收敛的一个更大的类的网络比目前的抽样算法提供。这些新方法是已知的似然加权算法的变体。我们使用最佳停止规则理论的最新进展，蒙特卡罗模拟，以获得一个推理近似的相对误差和一个小的失败概率δ。我们提出了一个实证评估的算法，证明其改进的性能。
2013-02-13 cs.AI
A General Non-Probabilistic Theory of Inductive Reasoning
概率论，从认识论的角度解释，提供了一个极好的，如果不是最好的归纳推理的帐户。之所以如此，是因为通过信息或经验，主观概率的变化存在着普遍而明确的规则;归纳和信念变化毕竟是同一个主题。这些规则中最基本的是简单地对收到的信息进行条件化;还有类似的和更一般的规则。[1]因此，概率论在认识论上取得成功的一个根本原因是，条件概率的概念确实存在。尽管如此，人们对概率论仍然有各种各样的担忧，也有各种各样的理由。其中之一是我的出发点：直觉上，我们有朴素信念的概念;我们相信命题2为真（或为假，或两者皆不）。然而，概率论并没有提供与这个概念相对应的形式。相信A并不等同于A的概率为1，因为概率1是不可救药的;但简单的信念显然是可以纠正的。相信A并不等于给A一个大于1-c的概率，因为相信A和相信B通常被认为等同于相信A和B。事实上，表达简单的信念似乎很容易：简单地用所有被认为在其中为真的命题的集合来表示一个认识状态，或者，因为我做了普通信念在演绎上是封闭的这一共同假设，所以用所有被认为在其中为真的命题的合取来表示一个认识状态。但是，这还没有提供一个归纳理论，也就是说，对这样表示的认识状态如何通过信息或经验而改变的问题的回答。有一个令人信服的部分答案：如果新信息与旧的认识状态相容，那么新的认识状态就简单地由新信息和旧信念的结合来表示。这个答案是片面的，因为它没有涵盖新信息与旧信念不相容的相当常见的情况。然而，…
2013-03-27 cs.AI
Dynamic Network Models for Forecasting
Stanford University School of Medicine（斯坦福大学医学院）
我们已经开发了一个概率预测方法，通过综合的信度网络模型和经典的时间序列分析。我们提出了动态网络模型（DNM）和描述的方法，用于构建，细化，并进行推理与此表示的时间概率知识。DNM表示通过集成和迭代地改进同期和时滞依赖性，将静态置信网络模型扩展到更一般的动态预测模型。我们讨论了预测美国汽车在日本销售的模型的关键概念。
2013-03-13 cs.AI
A Model of Multi-turn Human Persuadability Using Probabilistic Belief Tracing
Stanford University（斯坦福大学）；University of Washington（华盛顿大学）
提出PERSUASIONTRACE框架，通过记录多轮信念报告、标注修辞维度并引入贝叶斯网络模拟目标，将说服评估从端点变化转向过程保真度。
2026-06-03 cs.AI cs.CL cs.HC
A Randomized Approximation Algorithm of Logic Sampling
Stanford University（斯坦福大学）
近年来，决策分析和人工智能（AI）领域的研究人员已经使用贝叶斯信念网络来构建专家意见模型。使用从计算复杂性理论中得出的标准方法，该领域的工作者已经证明，在最坏的情况下，在信念网络上的精确概率推理问题几乎肯定需要指数计算[3]。我们之前已经描述了一个随机近似方案，称为BN-RAS，用于信念网络上的计算[ 1，2，4]。我们给出了BN-RAS收敛的精确解析界，并展示了如何在后验边际概率的评估中以运行时间换取准确性。现在，我们扩展了我们以前的结果，并通过将类似的数学技术应用于逻辑采样[7]的收敛性分析来证明我们框架的通用性，逻辑采样[7]是概率推理的另一种模拟算法。
2013-03-27 cs.AI
