Reasoning in Non-Probabilistic Uncertainty: Logic Programming and Neural-Symbolic Computing as Examples
University of Bremen(不来梅大学);City University London(伦敦城市大学);University of Edinburgh(爱丁堡大学);University of Luxembourg(卢森堡大学);University of Amsterdam(阿姆斯特丹大学)
本文旨在实现两个目标:表明概率不是处理不确定性的唯一方法(甚至还有一些不确定性是由于概率方法无法解决的原则性原因);并提供证据证明基于逻辑的方法可以很好地支持不确定性推理。对于后者的要求,两个范例:逻辑编程与Kleene语义建模推理的话语中的信息,对预期模型的状态的事务的解释,和神经符号实现的输入/输出逻辑处理不确定性在动态规范的上下文中。
2017-03-01 cs.AI
Deep probabilistic logic programming for diagnostic reasoning from incomplete information: A case study in stroke detection
German University of Digital Science(德国数字科学大学)
本研究以脑卒中检测为案例,提出结合最大熵技术与DeepProbLog的诊断系统构建方法,分析了不完整数据模型的性能及ProbFOIL 2压缩模型的潜力,拓展了神经符号方法在医疗诊断中的应用。
2026-08-11 cs.AI
Probabilistic Logic Programming under Inheritance with Overriding
我们提出了概率逻辑编程下的继承覆盖。这种方法是基于新的概念蕴涵推理的条件约束,这是从经典的概念逻辑蕴涵通过添加继承与覆盖的原则。这是通过使用最近的方法概率默认推理与条件约束。我们分析了新蕴涵关系的语义特性。我们还提出了概率逻辑编程的算法继承覆盖,程序转换,以提高效率。
2013-01-10 cs.AI
Probabilistic Reasoning in the Description Logic ALCP with the Principle of Maximum Entropy (Full Version)
Free University of Bozen-Bolzano(博尔扎诺自由大学);University of Osnabrück(奥斯纳布吕克大学)
知识表示的核心问题是如何对不确定性知识进行合理的编码和处理。我们介绍的概率描述逻辑ALCP,是专为表示上下文相关的知识,其中发生的实际情况是不确定的。ALCP允许对域的逻辑依赖和对可能上下文的概率依赖的表达。为了得出概率结论,我们采用最大熵原理。我们提供了推理算法,这种逻辑,并表明它满足概率逻辑的几个理想的属性。
2016-06-30 cs.AI cs.LO
A Framework for Reasoning on Probabilistic Description Logics
University of Parma(帕尔马大学);University of Ferrara(费拉拉大学)
虽然描述逻辑有几种推理机,但很少有能处理不确定性的。BUNDLE是一个推理框架,它可以利用几个OWL(非概率)推理机来执行概率描述逻辑的推理。在本章中,我们报告了BUNDLE中实现的最新进展。特别是,BUNDLE现在可以与TRILL系统的推理机接口,从而提供了一种统一的方法来使用不同的设置执行概率查询。BUNDLE可以很容易地扩展,既可以用作独立的桌面应用程序,也可以用作基于OWL API的应用程序中的库,这些应用程序需要对概率描述逻辑进行推理。推理性能很大程度上取决于推理机和计算概率的方法。我们提供了几个数据集上的不同推理设置的比较。
2020-10-02 cs.AI cs.LO
Nonmonotonic Probabilistic Logics between Model-Theoretic Probabilistic Logic and Probabilistic Logic under Coherence
最近,它已被证明,概率蕴涵下的一致性是弱于模型理论的概率蕴涵。此外,概率蕴涵下的一致性是系统P中的默认蕴涵的推广。在本文中,我们继续这条线的研究,提出了更复杂的概念之间的模型理论的概率蕴涵和概率蕴涵下的一致性的经典默认蕴涵的概率概括。也就是说,新的形式主义适当地推广了经典缺省推理中的对应形式,它们比模型论概率蕴涵弱,但在一致性下比概率蕴涵强。新的形式主义是有用的,特别是处理概率不一致的条件下零事件。它们也可以应用于概率信念修正。更一般地说,在相同的精神,类似以前的文件,本文揭示了令人兴奋的新的形式主义概率推理超出了众所周知的标准。
2002-07-22 cs.AI
Probabilistic reasoning with answer sets
Arizona State University(亚利桑那州立大学);Texas Tech University(德克萨斯理工大学)
本文开发了一种声明性语言,P-log,它结合了逻辑和概率的论点,在其推理。答案集Prolog被用作逻辑基础,而因果贝叶斯网作为概率基础。我们给出了几个非平凡的例子,并说明使用P-log的知识表示和知识更新。我们认为,我们的更新方法比现有的方法更有吸引力。我们给出了P-log程序的一致性的充分条件,并表明贝叶斯网可以很容易地映射到连贯的P-log程序。
2008-12-03 cs.AI cs.LO
diff-SAT -- A Software for Sampling and Probabilistic Reasoning for SAT and Answer Set Programming
National University of Ireland, Galway(爱尔兰国立高威大学)
本文介绍了diff-SAT,一个答案集和SAT求解器,它结合了经常使用概率条款,事实和规则的能力,解决和采样的最佳世界观(满足布尔变量分配或答案集的多集)受用户提供的概率约束。采样过程使用称为可微可满足性求解($\partial\mathrm{SAT}$)或可微答案集编程($\partial\mathrm{ASP}$)的基于梯度下降的优化方法来最小化用户定义的可微目标函数。用例是i.a.概率逻辑编程(以概率答案集编程的形式),概率布尔可满足性求解(PSAT)和模型多集(答案集或布尔解释)的分布感知采样。
2021-01-03 cs.AI cs.LO
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
Scalable Uncertainty Reasoning in Knowledge Graphs
University of Stuttgart, Stuttgart, Germany(斯图加特大学)
本文提出模块化框架,通过定制技术处理知识图谱中不确定性三个层次:概率属性值、概率三元组存在性和不完整模式知识,旨在平衡语义精度与计算可行性。
2026-05-15 cs.AI
A Neuro-Symbolic Approach for Probabilistic Reasoning on Graph Data
Aalborg University(奥尔堡大学);University of Trento(特伦托大学)
本文提出神经符号框架,将GNNs集成到RBNs中,结合二者优势。开发两种集成实现及MAP推理方法,通过节点分类转换和环境规划问题展示通用性,引入新基准数据集,为图数据处理带来新方法,提升多样任务性能。
2026-07-20 cs.AI
REASON: Accelerating Probabilistic Logical Reasoning for Scalable Neuro-Symbolic Intelligence
REASON通过统一图表示和自适应剪枝技术,实现概率逻辑推理的加速,提升神经符号AI的效率与可扩展性。
2026-01-28 cs.AI cs.AR
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
A Complexity Map of Probabilistic Reasoning for Neurosymbolic Classification Techniques
IRT SystemX;CentraleSupélec(中央高等电力学院)
本文针对神经符号分类中的概率推理问题,构建统一形式化框架并汇编复杂度图谱,以刻画多种技术的可扩展性边界。
2025-01-23 cs.AI cs.CC cs.LG
Neural Probabilistic Logic Learning for Knowledge Graph Reasoning
Beijing University of Posts and Telecommunications(北京邮电大学);Jiaxing University(嘉兴大学)
本文提出神经概率逻辑学习框架NPLL,通过评分模块增强嵌入网络表达能力,并结合基于变分推断的马尔可夫逻辑网络提升可解释性,在多个基准数据集上显著提高了知识图谱推理的准确性与质量。
2024-07-04 cs.AI cs.LG
T-CPDL: A Temporal Causal Probabilistic Description Logic for Developing Logic-RAG Agent
University of Derby(德比大学)
本文提出时序因果概率描述逻辑T-CPDL,扩展传统描述逻辑以处理时间、因果和概率推理,实验证明其显著提升语言模型推理准确性与可解释性,并为Logic-RAG框架奠定基础。
2025-06-23 cs.AI cs.LO
Preferential Structures for Comparative Probabilistic Reasoning
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
对不确定性进行推理的定性和定量方法可能会导致不同的逻辑系统来形式化这种推理,即使表达不确定性的语言是相同的。在关于相对似然性的推理的情况下,使用$φ\succsimψ$形式的陈述来表达$φ$至少与$ψ$一样可能,使用预定优先结构的标准定性方法产生与使用概率度量的定量方法截然不同的逻辑系统。事实上,标准的偏好方法验证了从概率的角度来看是不正确的推理原则。然而,在本文中,我们表明,一个自然的修改优惠的方法产生完全相同的逻辑系统作为一个概率的方法-不使用单一的概率措施,而是一套概率措施。因此,在非单调逻辑和信念修正的研究中使用的相同的优先结构可以用于基于不精确概率的比较概率推理的研究。
2021-04-06 cs.AI cs.LO math.LO
Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and Execution
UCLA Center for Vision Cognition Learning and Autonomy(加州大学洛杉矶分校视觉认知学习与自主中心)
时空推理是人工智能中一项具有挑战性的任务,这是由于其要求高但独特的性质:理论上要求基于头脑中的时空知识进行表示和推理,应用上要求能够在空间和时间中导航和行动的高级认知系统。最近的工作集中在这种抽象推理任务-乌鸦的进步矩阵(RPM)。尽管RPM取得了令人鼓舞的进展,在准确性方面达到了人类水平的性能,但现代方法既没有处理类似人类的泛化推理,也没有生成答案的潜力。为了填补这一空白,我们提出了一个神经符号概率绑架和执行(PrAE)学习者;中央的PrAE学习者是概率绑架和执行的概率场景表示的过程中,类似于心理操纵的对象。具体来说,我们从一个单一的模型中解开感知和推理。神经视觉感知前端预测对象的属性,随后由场景推理引擎聚合以产生概率场景表示。在符号逻辑推理后端,PrAE学习器使用表示来推导隐藏规则。通过对概率表示执行规则来预测答案。整个系统以分析合成的方式进行端到端的训练,没有任何视觉属性注释。大量的实验表明,PrAE学习器提高了交叉配置的泛化能力,并能够呈现一个答案,与以前的作品,只是从候选人中进行分类选择。
2021-05-14 cs.AI cs.CV cs.LG
Unsupervised Knowledge Graph Alignment by Probabilistic Reasoning and Semantic Embedding
Tencent Jarvis Lab(腾讯天衍实验室);University of Oxford(牛津大学);Tencent(腾讯);Zhejiang University(浙江大学)
知识图谱(KG)对齐是为了发现映射(即,等同实体、关系和其他)。现有的方法可以分为基于嵌入的模型和传统的基于推理和词汇匹配的系统。前者通过跨KG嵌入计算实体的相似性,但它们通常依赖于理想的监督学习设置以获得良好的性能,并且缺乏适当的推理以避免逻辑错误的映射;而后者解决了推理问题,但在利用KG图结构和实体上下文方面很差。在这项研究中,我们的目标是结合上述两个解决方案,从而提出了一个迭代框架命名为PRASE,这是基于概率推理和语义嵌入。它从概率推理系统PARIS中通过实体映射学习KG嵌入,并将得到的实体映射和嵌入反馈回PARIS进行增强。PRASE框架与不同的基于嵌入的模型兼容,我们在多个数据集上的实验证明了其最先进的性能。
2021-06-11 cs.AI cs.CL cs.LG
dPASP: A Comprehensive Differentiable Probabilistic Answer Set Programming Environment For Neurosymbolic Learning and Reasoning
Universidade de São Paulo(圣保罗大学)
本文提出 dPASP 框架,通过整合神经谓词、逻辑约束与区间值概率选择,在多种概率逻辑程序语义下实现可微神经符号推理与端到端学习,并提供易用的实现软件包。
2023-08-05 cs.AI cs.LG cs.LO
PRASEMap: A Probabilistic Reasoning and Semantic Embedding based Knowledge Graph Alignment System
Tencent Jarvis Lab(腾讯贾维斯实验室);University of Oxford(牛津大学);Tencent Platform and Content Group(腾讯平台与内容事业群);Tencent Healthcare (Shenzhen) Co., LTD.(腾讯医疗健康(深圳)有限公司)
知识图谱(KG)对齐旨在找到等价的实体和关系(即,两个KG之间的映射。现有的方法利用基于推理或基于语义嵌入的技术,但很少有研究探讨他们的组合。在这个演示中,我们提出了PRASEMap,一个无监督的KG对齐系统,它使用概率推理(PR)和语义嵌入(SE)技术迭代计算映射。PRASEMap可以支持各种基于嵌入的KG对齐方法作为SE模块,并且实现简单的人机交互,其另外为用户提供将映射注释反馈回系统以获得更好结果的选项。该演示通过一个具有用户友好界面的独立Web应用程序展示了这些功能。该演示可在https://prasemap.qizhy.com上获得。
2021-08-20 cs.AI cs.CL cs.LG
Probabilistic Box Embeddings for Uncertain Knowledge Graph Reasoning
UMass Amherst(马萨诸塞大学阿默斯特分校);USC(南加州大学);Information Sciences Institute, USC(南加州大学信息科学研究所);UCLA(加州大学洛杉矶分校)
知识库通常由从各种来源收集的事实组成,其中许多是嘈杂的,其中一些是冲突的,导致每个三元组的不确定性水平。知识库也往往是不完整的,促使使用嵌入方法从已知的事实进行归纳,然而,现有的嵌入方法只模型的三层不确定性,推理结果缺乏全局一致性。为了解决这些缺点,我们提出了BEUrRE,一种新的不确定知识图谱嵌入方法与校准的概率语义。BEUrRE将每个实体建模为一个盒子(即轴对齐的超矩形),并将两个实体之间的关系建模为头部和尾部实体盒子上的仿射变换。盒子的几何形状允许有效地计算交叉点和体积,赋予模型校准的概率语义,并促进关系约束的结合。在两个基准数据集上进行的大量实验表明,BEUrRE在置信度预测和事实排名方面始终优于基线,这是由于其概率校准和捕获事实之间高阶依赖关系的能力。
2021-04-09 cs.AI cs.CL cs.LG
Towards Statistical Reasoning in Description Logics over Finite Domains (Full Version)
Free University of Bozen-Bolzano(博尔扎诺-博岑自由大学);University of Osnabrück(奥斯纳布吕克大学)
我们提出了一个概率扩展的描述逻辑$\mathcal{ALC}$的统计知识的推理。我们认为条件语句的域的比例,这些比例的概率逻辑后果感兴趣。在介绍了一些一般的推理问题并分析了它们的性质之后,我们首先给出了在统计$\mathcal{ALC}$的某些片断上的推理算法和复杂性结果。
2017-06-10 cs.AI cs.LO
Optimisation in Neurosymbolic Learning Systems
本文研究神经符号学习系统中符号知识与神经网络的有效结合方式,涵盖模糊推理与概率推理,并提出基于模糊推理的新网络层及利用合成数据扩展概率神经符号学习的方法。
2024-01-19 cs.AI cs.LG
Mixed Logical and Probabilistic Reasoning for Planning and Explanation Generation in Robotics
The University of Auckland(奥克兰大学)
机器人在复杂的领域中帮助人类,必须在感觉运动水平和社会水平上代表知识和理性。本文所描述的架构耦合的非单调逻辑推理能力的声明性语言与概率信念修订,使机器人表示和推理的定性和定量的描述知识和程度的信念。具体来说,不完整的领域知识,包括在所有,但少数例外情况下,持有的信息,表示为一个答案集Prolog(ASP)程序。通过求解该程序获得的答案集用于推理、规划和联合解释(a)由于外源动作引起的意外动作结果和(b)从传感器输入提取的部分场景描述。对于任何给定的任务,答案集中包含的计划中的每个动作都是按概率执行的。自动识别与动作相关的域的子集,并且从传感器输入中提取的观测对在该域子集上定义的置信分布执行增量贝叶斯更新,其中高度可能的置信被提交给ASP程序。该体系结构的能力,说明在模拟和移动机器人的上下文中的机器人服务员在餐厅的餐厅。
2015-08-01 cs.AI cs.LO cs.RO
Probabilistic Arc Consistency: A Connection between Constraint Reasoning and Probabilistic Reasoning
Simon Fraser University(西蒙弗雷泽大学)
我们证明了约束推理和概率推理之间的联系。我们提出了一个算法,称为{em概率弧一致性},这是一个众所周知的算法的推广弧一致性用于约束推理,和一个特殊的单连通网络的信念更新算法。我们的算法对单连通约束问题是精确的,但对任意问题都可以很好地近似。我们简要地讨论了一些经验结果,和相关的方法。
2013-01-16 cs.AI
Probabilistic Inference and Probabilistic Reasoning
University of Rochester(罗切斯特大学)
不确定性至少以两种方式进入人类的推理和推断。我们有理由假设,这些不同的不确定性用途在自动推理中也会发挥作用。
2013-03-27 cs.AI
Coefficients of Relations for Probabilistic Reasoning
为了表达近似知识和概率推理,给出了一些常用的量化对象集合之间关系的数值系数的定义和符号,并附有历史参考。
2013-03-27 cs.AI
Probabilistic Reasoning about Actions in Nonmonotonic Causal Theories
我们提出的语言{MP}{CAL C}+概率推理的行动,这是一个概括的行动语言{CAL C}+,允许处理概率以及不确定性的影响的行动。我们定义了一个正式的语义{MP}{CAL C}+在状态集之间的概率转换。使用一个概念的历史和它的信念状态,然后,我们展示了如何在推理行动的几个重要问题,可以简洁地制定在我们的形式主义。
2012-10-19 cs.AI
Explainable Automated Reasoning in Law using Probabilistic Epistemic Argumentation
Technical University of Darmstadt(达姆施塔特工业大学);University of Stuttgart(斯图加特大学)
将自动推理工具应用于法律决策支持和分析,有可能使法院判决更加透明和客观。由于证据的准确性和相关性往往存在不确定性,因此需要采用非经典推理方法。在这里,我们调查概率认知论证作为自动推理有关法律案件的工具。我们介绍了一个一般的计划,以模拟法律案件的概率认知论证问题,解释如何可以模拟证据和素描如何解释法律决定可以自动生成。我们的框架是很容易解释的,可以处理循环结构和不精确的概率,并保证在最坏的情况下多项式时间的概率推理。
2020-09-12 cs.AI
Non-Monotonicity in Probabilistic Reasoning
Stanford University(斯坦福大学)
首先,我们定义了一种方法,非单调概率推理的非单调分类(真假)推理。我们确定了一种类型的非单调概率推理,类似于默认继承,这是在实践中常见的,特别是在“证据”和“贝叶斯”推理。我们制定这方面的条件独立性(MCI)的最大化,并确定了各种应用这种默认。我们提出了一个形式化使用逐点限制。我们将MCI与另一种非单调原理最大熵进行了比较,并提出了一些有待解决的问题
2013-03-27 cs.AI
Implementing Probabilistic Reasoning
Stanford University(斯坦福大学)
一般的问题,在概率数据库中的信息分析被认为是。存储不确定的数据,使用它的传统的前向或后向链接推理引擎,并与概率版本的分辨率的工作的实际困难(和偶尔的优点)进行了讨论。本文的背景是将不确定推理设施MRS,一个通用的专家系统建设工具。
2013-03-27 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
Incidence Calculus: A Mechanism for Probabilistic Reasoning
University of Edinburgh(爱丁堡大学)
专家系统需要自动化不确定性的机制。有时这些机制需要服从概率推理的性质。一个纯粹的数字机制,像目前为止提出的那些,不能提供一个概率逻辑与真值功能连接词。我们提出了一种替代机制,发病率演算,这是基于一个表示的不确定性使用的点集,这可能代表的情况下,模型或可能的世界。关联演算确实提供了一个具有真值函数连接词的概率逻辑。
2013-03-27 cs.AI
Taming Reasoning in Temporal Probabilistic Relational Models
Institute of Information Systems, University of Lübeck(吕贝克大学信息系统研究所)
证据经常支持随时间变化的时间概率关系模型,这使得推理不可行。为了抵消接地随着时间的推移,并保持推理多项式通过恢复提升表示,我们提出了时间近似合并(TAMe),它包括(i)聚类分组子模型以及(ii)统计显著性检查,以测试聚类结果的适应性。为了换取更快的运行时,TAMe引入了一个有界的错误,随着时间的推移,这个错误变得可以忽略不计。实验结果表明,TAMe显着提高了推理的运行时性能,同时保持错误很小。
2019-11-16 cs.AI
Exploiting Functional Dependencies in Qualitative Probabilistic Reasoning
AI Technology Office, Wright R&D Center(莱特研发中心人工智能技术办公室)
函数依赖性限制了概率网络中连接的变量之间的潜在相互作用。在定性概率推理中,可以通过引入确定性变量和修改推理规则来利用这种限制,从而在存在函数关系的情况下产生更强的结论。我描述了如何通过展示涉及概率和确定性变量及其组合的图形转换的更新程序来完成定性概率网络中的这些修改。一个简单的例子表明,增广方案可以减少定性的歧义,将出现没有特殊处理的功能依赖。定性协同分析表明,新的高阶关系需要有效地推理确定性变量之间的协同作用。
2013-03-27 cs.AI
A Constraint Propagation Approach to Probabilistic Reasoning
本文表明,严格遵守概率论并不排除使用并发,自激活的约束传播机制管理不确定性。保持信念来源的本地记录,可以同时激活预测和诊断推理,并和谐地传播到稳定的平衡。
2013-03-27 cs.AI
A Framework for Non-Monotonic Reasoning About Probabilistic Assumptions
Decision Science Consortium, Inc.(决策科学联盟公司)
在专家系统中复制概率推理的尝试通常忽略了该过程的关键成分。概率分析通常需要对假设和数据之间的相互依赖性以及各种替代模型的适当性进行广泛的判断。这种模型的应用往往是一个迭代过程,其中结果的可验证性证实或否定了在建立模型时所作假设的有效性。相比之下,在当前的专家系统中,概率信息被封装在模块化规则中(例如,涉及“确定性因素”),并且没有机制来审查概率参数的整体形式或输入其中的判断的有效性。
2013-03-27 cs.AI
Representing and Reasoning With Probabilistic Knowledge: A Bayesian Approach
SRI International(斯坦福国际研究院)
PAGODA(Probabilistic Autonomous Goal-Directed Agent)是一种概率域中的自主学习模型[desJardins,1992],它结合了创新技术,用于使用代理的现有知识来指导和约束学习过程,并用于表示,推理和学习概率知识。本文描述了PAGODA的概率表示和推理机制。PAGODA形成了关于其行动和世界状态随时间对环境的影响的理论。这些理论被表示为条件概率分布。对理论的结构施加限制,允许推理机制为任何动作和世界状态描述找到唯一的预测分布。这些受限理论被称为唯一预测理论。推理机制,使用独立性的概率组合(PCI),使用最小的独立性假设来组合理论中的概率,以进行概率预测。
2013-03-06 cs.AI
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
Reasoning about Unmodelled Concepts - Incorporating Class Taxonomies in Probabilistic Relational Models
Institute for Artificial Intelligence(人工智能研究所);University of Bremen(不来梅大学)
一阶概率方法应用中的一个关键问题是它们隐含的图形模型的巨大尺寸。大小是由对象和关系的域生成的可能世界产生的。这种爆炸的原因之一是,到目前为止,这些方法没有充分利用可能世界的结构和相似性,以便更复杂地编码模型。我们提出了模糊推理的马尔可夫逻辑网络,这使得使用的分类知识作为一个源的结构强加到可能的世界。我们表明,通过利用这种结构,概率分布可以表示更companies和推理系统变得能够推理的概念不包含在概率知识库。
2015-04-21 cs.AI
A computational scheme for Reasoning in Dynamic Probabilistic Networks
Aalborg University(奥尔堡大学)
提出了一种利用(因果)概率网络对动态系统进行推理的计算方案。该方案基于Lauritzen和Spiegelhalter(1988)的框架,并且可以被视为经典时间序列分析的推理方法的推广,因为它允许描述具有复杂条件独立结构的非线性、多变量动态系统。此外,该方案提供了一种有效的向后平滑方法和有效的近似预测方法的可能性。该方案已在HUGIN shell上实现。
2013-03-13 cs.AI
Sequential Recommendation with Probabilistic Logical Reasoning
Soochow University(苏州大学);Macquarie University(麦考瑞大学);Texas Tech University(德克萨斯理工大学);Suzhou Vocational University(苏州市职业大学)
针对神经符号序列推荐中的逻辑表示难题,提出SR-PLR框架,解耦特征与逻辑嵌入,结合概率逻辑推理,提升推荐性能。
2023-05-15 cs.AI
Paraconsistent Foundations for Probabilistic Reasoning, Programming and Concept Formation
有人认为,4值次协调真值(这里称为“p位”)可以作为高度AI相关形式的概率逻辑和概率编程和概念形成的概念,数学和实践基础。首先,它表明,适当的平均跨情况和重整化的4值p位操作根据可构造的对偶(CD)逻辑产生PLN(概率逻辑网络)的强度和置信度的真值。然后,Curry-Howard对应的变化被用来映射这些次协调和概率逻辑到概率类型适合于使用依赖类型的程序设计语言。将Zach Weber的次协调分析扩展为概念边界的次协调/概率/模糊分析,并基于次协调概率分布的相对熵定义了模糊属性-价值度,给出了一种基于形式概念分析的次协调概念形成方法.通过参考OpenCog AGI框架中概率推理和编程以及概念形成的实现,这些一般性观点得以充实,该框架以公共知识元数据的协作多算法更新为中心。
2021-01-14 cs.AI
Bridging Commonsense Reasoning and Probabilistic Planning via a Probabilistic Action Language
Arizona State University(亚利桑那州立大学);SUNY Binghamton(纽约州立大学宾汉姆顿分校)
为了响应动态变化的现实世界环境,智能代理需要执行复杂的顺序决策任务,这些任务通常由常识知识指导。在这方面的研究导致了称为“交错常识推理和概率规划”(icorpp)的框架,它使用P-log表示常识知识和马尔可夫决策过程(MDP)或部分可观察MDP(POMDP)在不确定性下进行规划。icorpp的一个主要限制是它的实现需要非平凡的工程努力来桥接常识推理和概率规划形式主义。在本文中,我们提出了一个统一的框架,集成icorpp的推理和规划组件。特别是,我们扩展了概率动作语言pBC+来表达效用,信念状态和观察POMDP模型。继承动作语言的优点,新的动作语言提供了一个详细的宽容表示POMDP,反映常识知识。这个想法导致了系统pbcplus 2 pomdp的设计,它将pBC+动作描述编译成POMDP模型,该模型可以直接由现成的POMDP求解器处理,以计算pBC+动作描述的最佳策略。实验结果表明,该方法保留了icorpp的优点,同时避免了在常识推理器和概率规划器之间进行人工连接。
2019-07-31 cs.AI
Probabilistic Default Reasoning with Conditional Constraints
我们提出了一个组合的概率推理的条件约束的方法,默认推理的条件知识库。详细地说,我们推广了Pearl在系统Z中的蕴涵,Lehmann的词典蕴涵和Geffner的条件蕴涵的概念。我们给出了一些例子,表明新的概念的z-,字典式,和条件蕴涵有类似的性质,像他们的经典同行。此外,我们表明,新的概念的z-,字典,和条件蕴涵是适当的推广,他们的经典同行和经典概念的逻辑蕴涵的条件约束。
2000-03-08 cs.AI
Reasoning or Fluency? Dissecting Probabilistic Confidence in Best-of-N Selection
Yonsei University(延世大学)
本文通过引入三类因果扰动实验,发现当前概率置信度指标主要捕捉表面流畅性而非推理质量,并提出对比因果度量以更忠实地选择输出。
2026-06-03 cs.AI
Probabilistic Reasoning as Information Compression by Multiple Alignment, Unification and Search: An Introduction and Overview
本文介绍了概率推理(PR)可以理解为“多重对齐、统一和搜索的信息压缩”(ICMAUS)的思想。在这种情况下,多重比对具有与其在生物信息学中的含义相似但不同的含义,而统一意味着匹配模式的简单合并,其含义与该术语在逻辑中的含义相关但比其含义更简单。一个软件模型,SP 61,已开发的发现和形成的“好”的多重比对,在信息压缩方面进行评估。该模型被描述的轮廓。本文以SP 61模型为例,简要介绍了ICMAUS框架如何对各种PR进行建模,包括:最佳匹配模式识别和信息检索中的PR;一步演绎PR和溯因PR;类层次中的属性继承;推理链(概率决策网络和决策树,以及具有“规则”的PR);几何类比问题;非单调推理和具有默认值的推理;贝叶斯网络的功能建模。
2003-07-06 cs.AI
Refining Reasoning in Qualitative Probabilistic Networks
Imperial Cancer Research Fund(帝国癌症研究基金会);Queen Mary and Westfield College(玛丽女王与西菲尔德学院)
近年来,出现了大量描述不使用数值概率的概率推理系统的论文。在某些情况下,这些系统使用的简单值集使得无法预测概率将如何变化,或者哪个假设最有可能得到某些证据。本文集中在这种情况下,并提出了一些方法,它们可以通过改进的表示来解决。
2013-02-20 cs.AI
An Application of Non-Monotonic Probabilistic Reasoning to Air Force Threat Correlation
Decision Science Consortium, Inc.(决策科学联合公司)
现有的专家系统在不确定性条件下的推理方法未能捕捉到智能人类推理的迭代修正过程特征。这篇论文报道了一个系统,称为非单调概率,或NMP(科恩等人,1985年)。当其推论导致实质性冲突时,NMP会检查并修改推论背后的假设,直到冲突减少到可接受的水平。NMP已经在一个基于计算机的演示系统中实现,如下所述,该系统支持空军飞行员的威胁关联和飞行中的路线重新规划。
2013-03-27 cs.AI
Advances in Probabilistic Reasoning
Northrop Research and Technology Center(诺斯罗普研究与技术中心);University of Southern California(南加州大学)
本文讨论了编码非对称独立断言的多贝叶斯网络表示范式。我们提供三个贡献:(1)一种推理机制,它明确地使用非对称独立性来加速计算,(2)相似性网络的简化定义及其理论的扩展,以及(3)一种广义表示方案,它编码了比相似性网络更多类型的非对称独立性断言。
2015-05-16 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
A Synthesis of Logical and Probabilistic Reasoning for Program Understanding and Debugging
The University of Texas at Arlington(德克萨斯大学阿灵顿分校);Rockwell International Science Center(罗克韦尔国际科学中心);American Airlines(美国航空公司)
我们描述了逻辑和不确定推理方法的集成,以确定可能的来源和软件问题的位置。到目前为止,软件工程师几乎没有工具来识别复杂软件包中的错误源。我们描述了一种诊断软件问题的方法,通过结合逻辑和不确定性推理分析。我们的初步研究结果表明,这种方法可以是有价值的软件工程师的注意力的路径,具有最高的可能性窝藏编程错误的算法。
2013-03-06 cs.AI
Responsibility-aware Strategic Reasoning in Probabilistic Multi-Agent Systems
University of Aberdeen(阿伯丁大学);Heriot-Watt University(赫瑞瓦特大学)
本文研究概率多智能体系统中责任感知的战略推理问题,提出逻辑PATL+R以融合因果责任模态,并通过归约至并发随机多人博弈的参数化模型检测来计算责任感知的Nash均衡策略,实现责任与奖励的平衡分配。
2024-12-20 cs.AI