Graphical readings of possibilistic logic bases
可能性理论提供了一个定性的，或数字的框架来表示不确定性，在可能性和必要性的双重措施。这导致存在两种可能性因果图，其中条件是基于最小值或乘积算子。Benferhat等人（1999）研究了基于最小值的图和可能性逻辑基（由确定性加权的经典公式组成）之间的联系。本文讨论了一个更困难的问题：可能性基础的基于乘积的图形表示，它提供了一个简单的结构阅读的可能性基础。此外，本文还提供了另一种解读的可能性基础的比较偏好的形式“在上下文中，p，q是优选的，而不是q”。这使我们能够明确一组具有不同优先级的目标的偏好。
2013-01-10 cs.AI
Using arguments for making decisions: A possibilistic logic approach
IRIT - UPS（图卢兹计算机科学研究所 - 保罗·萨巴捷大学）
人类目前使用论据来解释已经做出的选择，或者评估潜在的选择。每个潜在的选择通常都有各种优势的利弊。尽管在决策过程中的参数的有用性，有几个正式的建议处理这个想法，如果我们除了福克斯和帕森斯和博内和格夫纳的作品。在本文中，我们提出了一个可能性的逻辑框架，参数是建立在一个不确定的知识基础和一组优先目标。所提出的方法可以计算两种决策，区分悲观和乐观的态度。当可用的，也许是不确定的，知识是一致的，以及一组优先目标（必须尽可能实现），用于评估决策的方法的基础上的参数同意的可能性理论为基础的方法，决策下的不确定性。利用它的关系与正式的方法，可废止的论证，建议的框架可以推广的情况下，部分不一致的知识，或目标基地。
2012-07-11 cs.AI
A Complete Calculus for Possibilistic Logic Programming with Fuzzy Propositional Variables
Universitat de Lleida (UdL)（莱里达大学）；CSIC（西班牙国家研究委员会）
本文提出了一种用于可能性不确定性推理和表示模糊知识的命题逻辑程序设计语言。公式由对（A，c）表示，其中A是多值命题，c是单位区间[0，1]中的值，它表示关于A的信念在必要性测度方面的下界。信念状态的所有多值解释的集合上的可能性分布建模。在这个框架中，（i）定义了一般不确定性逻辑的语法和语义，（ii）给出了Horn-规则子语言的一个前件式演算，并证明了它对于确定模糊命题变量从公式集合中导出的最大可能性信念度是完备的;最后，（iii）我们展示了如何计算模糊命题变量之间的部分匹配，在必要性措施的模糊集，可以包括在我们的逻辑编程系统。
2013-01-16 cs.AI
Fuzzy Knowledge Representation Based on Possibilistic and Necessary Bayesian Networks
在本文提出的框架内，我们解决的问题，扩展某些网络的模糊某些网络，以应付现有模型的不精确和不确定的知识下的决策的复杂性和局限性。本文提出了一个框架，结合两个学科发挥各自的优势，在不确定和不精确的知识表示问题。该框架是一个基于可能性逻辑的框架，其中贝叶斯节点及其属性由局部必要值知识库表示。属性中的数据被解释为一组赋值公式。在我们的贡献可能性贝叶斯网络有一个定性的部分和定量的一部分，代表当地的知识库。总体思路是研究如何融合这两种形式主义将允许表示紧凑的方式来有效地解决问题的知识表示。我们展示了如何将可能性和必要性度量应用于大规模数据的知识表示问题。另一方面，将明确的确定性程度模糊化为模糊变量，提高了网络的质量，并往往带来网络性能的平滑性和鲁棒性。总体目标是提供一种新的不确定性决策方法，该方法结合了三种方法：贝叶斯网络确定性分布和模糊逻辑。
2012-06-05 cs.AI
Automated Reasoning Using Possibilistic Logic: Semantics, Belief Revision and Variable Certainty Weights
Universite Paul Sabatier（保尔·萨巴蒂埃大学）
本文提出了一种基于可能性逻辑的不确定性自动推理方法，为此，我们处理条款加权的程度是一个下界的必要性或可能性措施，根据性质的不确定性。两种归结规则用于处理不同的情况，反驳方法可以推广。此外，下界被允许是变量的函数在子句中，这给假设推理能力。我们的方法和最小化异常的想法之间的关系进行了简要的讨论。在只涉及必要性测度下界的情况下，提出了一种语义，证明了扩展归结原理的完备性。此外，从一个部分不一致的知识库推导可以在这种方法中管理，并显示出某种形式的非单调性。
2013-03-27 cs.AI
The Possibilistic Horn Non-Clausal Knowledge Bases
Artificial Intelligence Research Institute (IIIA) - CSIC（人工智能研究所 (IIIA) - CSIC）
实证逻辑是处理不确定和部分不一致信息的最广泛的方法。关于范式，可能性推理的进展主要集中在小句形式上。然而，现实世界中的问题的编码通常会导致一个非小句（NC）的公式和NC到小句翻译产生严重的缺陷，严重限制了小句推理的实际性能。因此，通过计算公式在其原来的NC形式，我们提出了几个贡献表明显着的进步也可能在可能性非子句推理。{ \em}首先，我们定义了{ \em可能性Horn非子句知识库，}或$\mathcal{\overline{H}}_Σ$，它包含了类：可能性Horn和命题Horn-NC。证明了$\mathcal{\overline{H}}_Σ$是标准Horn类的一种NC类。{ \em}其次，我们定义了{ \em可能性非子句单元归结，}或$ \mathcal{UR}_Σ$，并证明了$ \mathcal{UR}_Σ$正确地计算了$\mathcal{\overline{H}}_Σ$成员的不一致度。$\mathcal{UR}_Σ$以前从未被提出过，它是以类子句的方式制定的，这便于它的理解，形式化证明和未来向非子句归结的扩展。{ \em第三}，证明了计算$\mathcal{\overline{H}}_Σ$成员的不一致度需要多项式时间。虽然在可能性逻辑中已经存在易处理的类，但它们都是子句类，因此$\mathcal{\overline{H}}_Σ$是可能性推理中第一个刻画的多项式非子句类。
2021-11-15 cs.AI
Modal Logics for Qualitative Possibility and Beliefs
University of British Columbia（不列颠哥伦比亚大学）
可能性逻辑是一种用于不确定性推理的数值形式。有兴趣发展定性帐户的可能性，以及解释之间的关系的可能性和模态逻辑。我们提出了两个模态逻辑，可以用来表示和原因的定性陈述的可能性和必要性。在这个模态框架内，我们能够识别可能性逻辑，信念和条件之间的有趣关系。特别是，最自然的条件定义通过可能性的手段默认推理是相同的珍珠的条件的电子语义。
2013-03-13 cs.AI
Semantics for Possibilistic Disjunctive Programs
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Universidad de las Américas - Puebla（普埃布拉美洲大学）
本文定义了一种用于不确定、不完全和不一致信息建模的可能性析取逻辑规划方法。该方法引入了可能性选言分句的使用，它能够同时捕获知识库的不完整信息和不完整状态。将可能性逻辑程序看作是一种可能性逻辑理论，定义了一种基于回答集和可能性逻辑证明理论的可能性逻辑程序设计语义的构造方法.它表明，这种可能性语义的析取逻辑程序可以表征为一个不动点算子。它还表明，建议的可能性语义可以计算的决议算法和考虑最佳反驳从可能性逻辑理论。为了管理不一致的可能性逻辑程序，定义了不一致可能性模型间的偏好准则，并采用割集方法恢复不一致可能性知识库的一致性.该方法是在一个医疗场景中说明。
2011-06-03 cs.AI cs.LO cs.PL
Exploiting Uncertain and Temporal Information in Correlation
Queen Mary & Westfield College, London University（伦敦大学玛丽皇后与西菲尔德学院）
描述了一种建模语言，当系统的基本功能模型不完整或不确定且时间依赖性不精确时，该语言适用于信息的相关性。一个有效的和增量的实施概述，这取决于成本函数满足一定的标准。可能性逻辑和概率论（因为它是在目标应用程序中使用）满足这些标准。
2013-02-06 cs.AI
Formal Model of Uncertainty for Possibilistic Rules
University of Oklahoma（俄克拉荷马大学）；SUNY-Binghamton（纽约州立大学宾汉姆顿分校）
给定一个讨论X的宇宙（一个可能结果的领域），一个实验可能包括选择其中一个元素，服从偶然性的操作，或者观察元素，服从不精确性。关于实验实际结果的先验不确定性可以被量化，表示选择r_X的可能性或任何这样的X适合作为结果描述的程度。前一种情况对应于一个概率分布，而后一种情况给出了X上的一个可能性分配。这种分配及其性质的研究属于可能性理论的范畴[DP 88，Y 80，Z 783。它和概率论一样，分配0到1之间的值来表示结果的可能性。然而，相似之处到此为止。可能性理论使用最大值和最小值函数来组合不确定性，而概率理论使用加号和乘法运算。这导致理论在分析框架方面非常不同，尽管它们共享一些语义概念。其中一个共同的概念是定量地表达与给定分布相关的不确定性。在概率论中，它的值对应于进行实验和确定实际结果所获得的信息。这种信息的获得同样可以被看作是实验结果不确定性的减少。在这种情况下，信息的标准度量以及不确定性是香农熵[AD 75，G77]。它有几个优点--它的特点是只有几个非常自然的性质，而且它可以方便地用于决策过程。这个应用程序是基于最大熵的原则，它已成为一个流行的方法，有关决策的不确定性。本文论证了在可能性理论的基础上可以建立一个同等完整的理论。我们首先展示了如何定义的信息和不确定性的可能性分配措施。接下来，我们构建一个基于信息的度量空间上的所有可能性分布定义在一个给定的域。它使我们能够捕捉到分布…
2013-03-20 cs.AI
The PITA System: Tabling and Answer Subsumption for Reasoning under Uncertainty
University of Ferrara（费拉拉大学）；Universidade Nova de Lisboa（新里斯本大学）
许多现实世界的领域需要表示的不确定性的措施。最常见的这种表示是概率，概率与逻辑程序的结合产生了概率逻辑编程（PLP）领域，导致了诸如独立选择逻辑、带有注释析取的逻辑程序（LPAD）、Problog、PRISM等语言。这些语言共享类似的分布语义，并且已经设计了在这些语言之间翻译程序的方法。计算对这些通用PLP程序的查询的概率的复杂性非常高，这是由于需要组合可能不是排他性的解释的概率。作为一种替代方案，PRISM系统通过限制它可以评估的程序的形式来降低查询回答的复杂性。作为一种完全不同的替代方案，可能性逻辑程序采用比概率更简单的不确定性度量。这些方法中的每一种--一般PLP、限制PLP和可能性逻辑编程--都可以在不同的领域中使用，这取决于要表示的不确定性的形式、建模问题所需的程序的形式以及要解决的问题的规模。在本文中，我们将展示如何PITA系统，它最初支持的LPAD的通用PLP语言，也可以有效地支持受限PLP和可能性逻辑程序。PITA依赖于带有答案包容的制表，由转换和与答案包容接口的库函数API组成。
2011-07-24 cs.AI cs.LO cs.PL
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
Possibilistic Pertinence Feedback and Semantic Networks for Goal's Extraction
Department of Technology Preparatory Institute of Engineering Studies of Monastir（莫纳斯提尔工程研究预备学院技术系）
相关性反馈是一种技术，使用户能够交互地表达他的信息需求，通过修改他的原始查询公式与进一步的信息。通过明确确认由系统提取的一些指示对象和/或目标的相关性来提供该信息。显然，用户不能将对象和/或目标标记为相关的，直到一些被提取，所以第一次搜索必须由查询发起，并且初始查询规范必须足够好，以从语义网络中挑选出一些相关的对象和/或目标。在本文中，我们提出了一个简短的调查模糊和语义的知识提取方法。此类方法的目标是定义灵活的知识提取系统，能够处理提取过程固有的模糊性和不确定性。人们早就认识到，交互性提高了知识提取系统的有效性。新手用户的查询是最自然和交互式的通信媒介，最近的进展，在认识是有可能建立系统，与用户进行交互。然而，鉴于典型的新手用户的查询提交给知识提取系统，很容易想象，新手用户的查询中的目标识别错误的影响，必须严重破坏系统的有效性。本文报道的实验工作表明，在经典的知识提取技术的新手用户的查询处理的可能性理论的使用是更强大的比使用概率理论。此外，可能性和概率相关性反馈可以有效地提高新手用户的查询处理的有效性。
2012-06-05 cs.AI cs.IR
Characterizing and Extending Answer Set Semantics using Possibility Theory
Universiteit Gent（根特大学）；Cardiff University（卡迪夫大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
答案集编程（ASP）是一个流行的框架建模组合问题。然而，ASP不能很容易地用于推理不确定的信息。可能性ASP（Possibilistic ASP，PASP）是ASP的一种扩展，它结合了可能性逻辑和ASP.在PASP中，权重与每个规则相关联，其中该权重被解释为当已知主体保持时可以建立结论的确定性。因此，它允许我们以直观的方式对不确定信息进行建模和推理。在本文中，我们提出了新的语义PASP，其中规则被解释为可能性分布的约束。这些约束的特殊模型，然后确定为可能性的答案集。此外，由于ASP是一个特殊的情况下，PASP中的所有规则是完全确定的，我们得到了一个新的表征ASP的可能性分布的约束。这使我们能够发现一种新的析取形式，称为弱析取，以前没有在文献中考虑过。除了介绍和激发弱析取的语义，我们还指出其计算复杂性。特别是，虽然大多数推理任务的复杂性符合标准的析取ASP，我们发现，勇敢的推理弱析取程序更容易。
2013-11-30 cs.AI cs.LO
Updating with Belief Functions, Ordinal Conditioning Functions and Possibility Measures
Universite Paul Sabatier（保尔·萨巴蒂埃大学）
本文讨论了当一个新的信息，这可能是弥漫着不确定性，变得可用时，如何更新的不确定性度量表示的知识状态。这个问题被认为是在不同的框架，即：Shafer的证据理论，Zadeh的可能性理论，Spohn的认识状态理论。在前两种情况下，类似的杰弗里的规则的条件介绍和讨论。强调了Spohn模型与可能性理论的关系，并将Spohn更新规则与可能性理论中的Jeffrey类条件作用规则进行了对比。最近的结果Shenoy组合的顺序条件函数重新解释的语言的可能性理论。它表明，谢诺伊的组合规则有一个众所周知的可能性对应。
2013-03-27 cs.AI
Ontology Temporal Evolution for Multi-Entity Bayesian Networks under Exogenous and Endogenous Semantic Updating
这是一个挑战，任何知识库推理管理无处不在的不确定本体以及不确定的更新时间，同时以最小的计算成本达到可接受的服务水平。提出了一种面向开放交互系统的本体合并方法。一个解决方案，使用多实体贝叶斯网络与SWRL规则，和Java程序，提出了动态监测外生和内生的时间演化更新合并本体的概率框架上的语义Web。
2010-09-10 cs.AI cs.LO
A Hybrid Framework for Spatial Interpolation: Merging Data-driven with Domain Knowledge
University of Science and Technology Beijing（北京科技大学）；Texas A&M University（得克萨斯农工大学）
针对空间插值忽视领域知识且特征受限的问题，提出融合数据驱动特征提取与规则辅助函数映射的混合框架，以提升局部空间特征捕捉、非线性估计及不确定性量化能力。
2024-09-06 cs.AI cs.LG stat.ML
