A Survey on Uncertainty Reasoning and Quantification for Decision Making: Belief Theory Meets Deep Learning
Virginia Tech（弗吉尼亚理工大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；US Army Research Laboratory（美国陆军研究实验室）；University of the District of Columbia（哥伦比亚特区大学）；University of Oslo（奥斯陆大学）
对不确定性的深入理解是在不确定性下做出有效决策的第一步。深度/机器学习（ML/DL）已被广泛用于解决涉及处理高维数据的复杂问题。然而，与其他人工智能（AI）领域相比，ML/DL中对不同类型的不确定性进行推理和量化以实现有效决策的探索要少得多。特别是，自20世纪60年代以来，KRR一直在研究信念/证据理论，以推理和测量不确定性，以提高决策效率。我们发现，只有少数研究利用ML/DL中信念/证据理论中成熟的不确定性研究来解决不同类型不确定性下的复杂问题。在这篇调查论文中，我们讨论了几种流行的信念理论及其处理不确定性原因和类型并对其进行量化的核心思想，以及它们在ML/DL中的适用性。此外，我们讨论了在深度神经网络（DNN）中利用信念理论的三种主要方法，包括证据DNN，模糊DNN和粗糙DNN，根据其不确定性原因，类型和量化方法以及它们在不同问题领域的适用性。基于我们的深入调查，我们讨论了见解，经验教训，当前最先进的桥接信念理论和ML/DL的局限性，最后，未来的研究方向。
2022-06-14 cs.AI cs.IT cs.LG
Probabilistic Belief Change: Expansion, Conditioning and Constraining
University of Amsterdam（阿姆斯特丹大学）
信念修正的AGM理论已成为研究理性信念变化的重要范式。不幸的是，研究人员在这一范式限制了他们的注意力相当简单的信念状态表示，即逻辑封闭的命题句子集。在我们看来，这导致了对信念改变操作的过于抽象的分类：扩张、修正或收缩。偶尔，在AGM范式中，也考虑了概率信念变化，并且广泛接受概率版本的扩展是条件反射。然而，我们认为，它可能是更正确的视条件和扩展为两种本质上不同的信念变化，我们所谓的约束是一个更好的候选人被认为是概率扩展。
2013-01-23 cs.AI
Imagining Probabilistic Belief Change as Imaging (Technical Report)
University of Cape Town（开普敦大学）
成像是一种概率信念改变的形式，可以用于修订和更新。在本文中，我们提出了一个新的框架，概率信念变化的基础上成像，称为预期距离成像（EDI）。EDI是足够普遍的定义贝叶斯条件和其他形式的成像以前在文献中定义。我们认为，并调查如何，EDI可以用于修订和更新。EDI的定义取决于至关重要的权重函数的性质进行了研究，并分析了其对信念改变操作的影响。最后，提出了四个EDI实例，两个用于修订和两个用于更新，并提出了概率合理性假设进行分析。
2017-05-02 cs.AI
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
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
Aggregating Learned Probabilistic Beliefs
Stanford University（斯坦福大学）
我们考虑的任务聚合的信念severalexperts。我们假设这些信念被表示为概率分布。我们认为，任何aggregationtechnique的评价取决于这个任务的语义上下文。我们提出了一个框架，在这个框架中，我们假设自然界从一个“真实”的分布中生成样本，不同的专家根据他们有机会观察到的数据子集形成他们的信念。自然，理想的总分布应该是从组合样本集中得到的。这样一个配方导致一个自然的方式来衡量的准确性的聚集mechanism.We表明，著名的聚集算子LinOP是理想地适合于这项任务。我们提出了一个基于LinOP的学习算法，灵感来自贝叶斯学习技术，它聚集了专家的分布表示为贝叶斯网络。我们的初步实验表明，该算法在实际中表现良好。
2013-01-10 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
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
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
Improving Training Result of Partially Observable Markov Decision Process by Filtering Beliefs
在这项研究中，我提出了一个过滤信念的方法来提高性能的部分可观察马尔可夫决策过程（POMDPs），这是一种广泛使用的方法在自主机器人和许多其他领域的控制策略。我的方法搜索和比较每一个相似的信念对。由于相似信念对控制策略的影响不大，为了减少训练时间，过滤掉了相似信念。实验结果表明，该方法优于基于点的近似POMDPs的训练结果的质量以及该方法的效率。
2021-01-05 cs.AI
Belief Propagation for Structured Decision Making
University of California, Irvine（加州大学尔湾分校）
变分推理算法（如置信传播）对我们学习和使用图形模型的能力产生了巨大的影响，并为开发或理解精确和近似推理提供了许多见解。然而，变分方法还没有被广泛采用的决策图形模型，往往制定通过影响图，包括集中和分散（或多代理）的决定。在这项工作中，我们提出了一个通用的变分框架解决结构化合作决策问题，使用它来提出几个信念传播类算法，并分析他们的理论和经验。
2012-10-16 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 Belief-Function Based Decision Support System
Universite libre de Bruxelles（布鲁塞尔自由大学）；University of Kansas（堪萨斯大学）
在本文中，我们提出了一个基于信念函数和pignistic转换的决策支持系统。该系统是一个集成的证据系统的信念函数传播和评估为基础的系统贝叶斯决策分析。这两个子系统是通过诗歌中的隐逸转换而联系在一起的。该系统将用户对某个情况的“直觉”作为输入，并建议要测试什么（如果有的话）以及以什么顺序进行测试，并且它通过用户友好的界面来这样做。
2013-03-06 cs.AI
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
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
Decision-Making with Belief Functions: a Review
Université de Technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）
在不确定性的信念函数框架下的决策方法进行审查。大多数方法都是将贝叶斯决策理论的最大期望效用原理与无知决策准则相结合。区分的方法，构建一个完整的偏好之间的关系的行为，和那些允许由于缺乏信息的某些行为的不可比性。在不精确的概率框架中开发的方法适用于Dempster-Shafer背景下，也进行了审查。谢弗的建设性决策理论，它取代了目标的效用的概念，描述和对比与其他方法。本文最后指出，需要进行更深入的调查与决策的信念功能和评估的描述性，规范性和规定性的不同方法的价值的基本问题。
2019-12-12 cs.AI
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
A Decision Calculus for Belief Functions in Valuation-Based Systems
Universite libre de Bruxelles（布鲁塞尔自由大学）
基于评价的系统（VBS）提供了一个在不确定性下表示知识和进行推理的通用框架。最近的研究表明，VBS的语义可以表示和解决贝叶斯决策问题（Shenoy，1991 a）。本文的目的是在VBS的框架下提出一个D-S理论的决策演算。所提出的演算使用一个加权因子，其作用类似于对一个假设的概率解释，该假设消除了用置信函数表示的决策问题（Strat 1990）。它将表明，与所提出的演算，如果决策问题表示在估价网络适当，我们可以解决的问题，通过使用融合算法（Shenoy 1991年a）。它也将表明，所提出的决策演算可以减少到贝叶斯概率理论的演算时，概率，而不是信念函数，给出。
2013-03-13 cs.AI
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
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
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
An Interval-Valued Utility Theory for Decision Making with Dempster-Shafer Belief Functions
Université de Technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Shanghai University（上海大学）；Institut Universitaire de France（法国大学研究院）；University of Kansas（堪萨斯大学）
本文的主要目标是描述一个公理效用理论的Dempster-Shafer信念函数彩票。所使用的公理框架类似于Luce和Raiffa所描述的冯·诺伊曼-摩根斯坦的概率彩票效用理论。与概率的情况下，我们的公理框架导致区间值的效用，因此，部分（不完整）的偏好顺序的所有信念函数彩票。如果我们使用的信念函数参考彩票是贝叶斯信念函数，那么我们的表示定理与Jaffray的线性效用理论的表示定理相吻合。我们说明了我们的代表定理，使用文献中讨论的一些例子，我们提出了一个简单的模型，用于评估效用的基础上的区间值悲观指数代表决策者的态度模糊性和不确定性。最后，我们将我们的决策理论与Jaffray，Smets，Dubois等人提出的决策理论进行了比较，江和谢诺伊还有谢弗
2020-06-18 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
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
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
Dynamic consistency and decision making under vacuous belief
George Mason University（乔治梅森大学）
经济学中关于无知决策的思想与计算机科学中关于不确定性表示的思想相结合。这一组合为人工代理如何以动态一致的方式行事的问题提供了新的思路。通过对相容性测度采用迭代期望律，形式化了序列相容性的概念。给出了Nehring-Puppe偏好的确定性等价算子序列相容的充要条件。这一结果为不确定性条件下的决策模型提供了新的思路。
2012-02-14 cs.AI
Belief decision support and reject for textured images characterization
RDDC (Recherche et Développement pour la Défence Canada)（加拿大国防研发中心）；ENSIETA（法国布雷斯特国立高等工程技术学院）
纹理图像的分类假设是将具有相同纹理的图像按照区域进行分类。在不确定的环境中，它可以更好地采取不精确的决策或拒绝对应于一个unlearning类的区域。此外，在作为分类单元的区域上，我们可以有多个纹理。这些考虑使我们能够开发一个信念决策模型，允许拒绝一个区域作为unlearning，并决定工会和交叉点的学习类。所提出的方法发现其所有的理由在应用程序中的海底特性从声纳图像，这有助于说明。
2008-07-03 cs.AI
When Agents Say One Thing and Do Another: Validating Elicited Beliefs from LLMs
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
本文提出一种决策理论框架，通过提取概率判断和决策并检验其一致性，验证LLMs的信念是否合理，发现最强模型的不一致程度较小。
2026-09-09 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
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
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
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
Belief Revision in Sentential Decision Diagrams
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达尔·莫尔人工智能研究所）
信念修正是当新信息变得可用时修改知识库的任务，同时也尊重许多期望的属性。经典的信念修正方案已经专门用于\emph{binary decision diagrams}（BDDs），经典的形式主义来压缩表示命题知识。这些结果也适用于\emph{ordered} BDD（OBDD），这是一类特殊的BDD，旨在保证规范性。然而，这些修订不能应用于\emph{sentential decision diagrams}（SDD），这是一种典型的更紧凑但仍然规范的布尔电路类，它概括了OBDD，但不是BDD的子类。在这里，我们填补了这一空白，推导出一个通用的SDDs的基础上Dalal修订的句法特征的修订算法。还提出了一种用于DNF的专门程序。随机生成的知识库进行的初步实验显示直接执行SDD形式主义内的修订的优势。
2022-01-20 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
Impact of different belief facets on agents' decision -- a refined cognitive architecture to model the interaction between organisations' institutional characteristics and agents' behaviour
University of Otago（奥塔哥大学）；Norwegian University of Science and Technology（挪威科技大学）
本文提出了一个概念上的细化代理认知架构的启发，从信念-欲望-意图（BDI）和计划行为理论（TPB）模型，强调不同的信念方面。这使我们能够调查人格的影响，以及代理人如何权衡其内部信念和社会制裁对代理人行为的影响。本研究还使用了与制度公平性相关的认知失调的概念来调查代理人的行为。为了展示我们的模型，我们模拟了两个历史上的长途贸易社会，即新朱尔法的亚美尼亚商人和英国东印度公司。研究结果表明，内部信念的代理人作为一个关键方面，以下制度规则的重要性。
2020-08-07 cs.AI
Superficial Beliefs in LLM Decision-Making
Department of Computing, Imperial College London（帝国理工学院计算系）
研究大型语言模型在二元选择中是否仅模仿理由，通过合成决策实验发现模型行为有系统性但自我报告与行为推断的驱动因素不完全一致，表明存在“表面信念”。
2026-09-16 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
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
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
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
