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
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
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 Decision Making Under Possibilistic Uncertainty: Toward more discriminating criteria
LIP6
本文的目的是提出一个概括以前的方法在定性决策。我们的工作是基于二元可能性效用(PU),它是期望效用(EU)的可能性对应,我们首先给出了PU的一种新的公理化,并研究了它与悲观效用和乐观效用的词典式集合的关系。然后,我们解释了定性决策标准粗糙的原因。最后,由于重新定义的可能性彩票和混合物,我们提出了改进的二进制可能性效用,这是比以前提出的标准更具歧视性。
2012-07-04 cs.AI cs.GT
From Conditional Oughts to Qualitative Decision Theory
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本研究的主要主题是对条件应该陈述的决策理论解释(例如,“如果C,你应该做A”),纠正了经典道义逻辑中的明显缺陷。由此产生的帐户形成了一个良好的基础,定性决策理论,从而提供了一个框架下的不确定性定性规划。特别是,我们表明,添加因果关系(在一个单一的图形的形式)作为一个认知状态的一部分,足以促进分析的行动序列,其后果,其与观察的相互作用,其预期的效用,因此,在不确定性的计划和战略的合成。
2013-03-06 cs.AI
Resource allocation under uncertainty: an algebraic and qualitative treatment
Yachay Tech University(亚查伊理工大学);Gallaudet University(加劳德特大学);Universidad de Los Andes - Mérida(洛斯安第斯大学梅里达分校)
我们使用一个代数的观点,即一个矩阵框架来处理问题的资源分配的不确定性的背景下,一个定性的方法。我们的基本定性数据是资源的可扩展性关系,代理的层次关系,当然还有代理对资源的偏好。有了这些数据,我们提出了一个定性的二元关系$\unrhd$之间的分配,使$\mathcal{F}\unrhd \mathcal{G}$具有以下预期的含义:分配$\mathcal{F}$产生更多或相等的社会福利比分配$\mathcal{G}$。我们证明了存在一族关于$\unrhd$的极大分配。我们还证明,有一个简单的交易的概念,使最优分配可以达到序列的简单交易。最后,我们介绍了一些机制,判别{最佳}分配。
2018-05-17 cs.AI cs.GT
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
Arguing for Decisions: A Qualitative Model of Decision Making
Universidad Simon Bolivar(西蒙·玻利瓦尔大学)
我们开发了一个决策的定性模型,有两个目的:描述人们如何做出简单的决策,并使计算机程序做同样的事情。目前基于规划或决策理论的方法要么忽略了不确定性和权衡,要么提供了太复杂的语言和算法来完成这项任务。该模型提供了一种基于规则的语言,基于高概率和词典编纂偏好的语义,以及一个透明的决策过程,其中支持和反对决策的原因相互作用。该模型不能替代决策理论,但对于人们认为容易解释的决策,它可能提供一个有吸引力的替代方案。
2013-02-13 cs.AI
A Qualitative Markov Assumption and its Implications for Belief Change
Stanford University(斯坦福大学);IBM Almaden Research Center(IBM阿尔马登研究中心)
信念变化的研究一直是哲学和人工智能领域的一个活跃领域。近年来,人们对信念改变的两种特殊情况--信念修正和信念更新进行了详细的研究。粗略地说,review将一个令人惊讶的观察结果视为以前的信念是错误的,而update将一个令人惊讶的观察结果视为世界已经改变的迹象。一般来说,我们可以预期,一个进行观察的主体可能既想修正一些早期的信念,又想假设世界发生了一些变化。我们定义了一种新的方法来改变信念,使我们能够做到这一点,通过应用概率论的思想在定性设置。关键思想是使用定性马尔可夫假设,即状态转换是独立的。我们表明,最近的方法来建模定性的不确定性,使用可扩展性措施,使我们能够在一个相对简单的方式,这样一个定性的马尔可夫假设,并显示如何马尔可夫假设可以用来提供一个有吸引力的信念变化模型。
2013-02-13 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
A Unified framework for order-of-magnitude confidence relations
IRIT(图卢兹计算机科学研究所)
这项工作的目的是提供一个统一的框架,顺序表示的不确定性躺在可能性和概率理论之间的交叉。事件之间的这种置信关系通常在单调推理、不一致性管理或定性决策理论中找到。它们要么从概率论开始,使其更具定性,要么从可能性理论开始,使其更具表达性。我们表明这两种趋势收敛到一类真正的概率论。我们为这些有用的工具提供了表征结果,这些工具保留了可能性排名的定性性质,同时享受添加剂表示的表达能力。
2012-08-06 cs.AI
Decision-making Under Ordinal Preferences and Comparative Uncertainty
本文研究了从描述决策者(DM)的不确定性的事件(世界状态的子集)的排序和描述DM偏好的行为后果的排序的知识中找到一组行为上的偏好关系的问题。然而,与决策理论的经典方法相反,我们试图做到这一点,而不诉诸于任何效用或不确定性的数值表示,甚至不使用任何定性尺度来映射不确定性和偏好。它表明,虽然许多公理的萨维奇理论可以保留,尽管直观的呼吁的方法,用于构建一个偏好的行为,该方法是不一致的概率表示的不确定性,但导致的不确定性理论中遇到的非单调推理(特别是优惠和理性推理),密切相关的可能性理论。此外,尽管这种方法的基本原理看起来很合理,但它要么没有什么决定性,要么会导致非常危险的决策。本文提出了一个问题,纯粹的象征性的方法,在不确定性下的野蛮式决策的可能性,并获得初步的负面结果。
2013-02-06 cs.AI
Exploring Predictive Uncertainty and Calibration in NLP: A Study on the Impact of Method & Data Scarcity
IT University of Copenhagen(哥本哈根信息技术大学);Technical University of Denmark(丹麦技术大学)
我们通过低资源语言的镜头来研究确定神经分类器的预测置信度(或者相反,不确定性)的问题。通过在三种不同语言的子采样数据集上训练模型,我们评估了各种方法的估计质量及其对可用数据量的依赖性。我们发现,虽然基于预训练模型和集成的方法总体上取得了最佳结果,但不确定性估计的质量可能会因更多数据而受到影响。我们还对序列的不确定性进行了定性分析,发现模型的总不确定性似乎在很大程度上受到其数据不确定性的影响,而不是模型的不确定性。所有模型的实现都在一个软件包中开源。
2022-10-20 cs.AI cs.CL cs.LG
Preference fusion and Condorcet's Paradox under uncertainty
IRISA - University of Rennes 1(IRISA - 雷恩第一大学)
面对一个未知的情况,一个人可能无法坚定地得出他/她对不同选项的偏好,所以他/她倾向于表达不确定的偏好。给定一个由不同的人在不确定性下表达他们对某些选择的偏好的社区,为了得到整个社区的集体代表性意见,需要偏好融合过程。这项工作的目的是提出一种偏好融合方法,应对不确定性和逃避孔多塞悖论。为了对不确定性下的偏好进行建模,我们提出了一种基于信念函数理论的偏好模型,该模型准确地描述并捕获了与个人或集体偏好相关的不确定性。这一工作改进和推广了以前的结果。这项工作改进和扩展了在以前的工作中提出的贡献。我们的贡献有两方面的好处。一方面,我们提出了一个定性和表达的偏好建模策略的基础上的信念函数理论,更好地规模与源的数量。另一方面,我们提出了一个增量的距离为基础的算法(使用Jousselme距离)的集体偏好顺序的建设,以避免孔多塞Parket。
2017-08-09 cs.AI cs.GT
Expressivity Results for Structured Argumentation Frameworks with Uncertain Rules and Premises
Consiglio Nazionale delle Ricerche(意大利国家研究委员会)
本文研究了结构化论证框架中不确定规则和前提的表达性,比较了抽象和结构化模型的表达性,提出了正负向的表达性结果。
2026-10-26 cs.AI cs.LO
Scene Image is Non-Mutually Exclusive - A Fuzzy Qualitative Scene Understanding
University of Malaya(马来亚大学)
模糊性或不确定性是许多现实世界决策过程中普遍存在的因素。在这种情况下,当同样的问题被提出给不同的主体时,决定的变化是一种常态。心理学和形而上学的研究已经证明,人的决策是主观的。它受经验、年龄、背景等多种因素的影响,场景理解就是属于这一范畴的计算机视觉问题之一。传统的方法通过假设场景图像是互斥的来放松这个问题,因此,专注于开发不同的方法来执行二进制分类任务。在本文中,我们证明了场景图像是不互斥的,并提出了模糊定性等级分类器(FQRC)来解决上述问题。建议的BURCRC提供了一个排名的解释,而不是二元决策。使用大量和具有挑战性的公共场景数据集进行定性和定量评估,表明我们所提出的方法在建模非互斥场景图像方面的有效性。
2014-10-14 cs.AI cs.CV cs.IR
A Meta-heuristic Approach to Estimate and Explain Classifier Uncertainty
Loughborough University(拉夫堡大学);Defence Medical Rehabilitation Centre(国防医疗康复中心)
针对分类器不确定性解释缺乏模型无关且易理解方法的问题,提出类别无关的元启发式复杂度度量,并通过元学习框架估计误分类风险,效果优于预测概率。
2023-04-20 cs.AI cs.LG