情境特异性信念网络的构建

构建较低概率

Constructing Lower Probabilities

Dempster的方法构建的信念函数的阐述提出了一个广泛适用的策略，在各种证据约束下构建较低的概率。

信度网络的动态构造

Dynamic Construction of Belief Networks

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。

贝叶斯网络的反向模拟

Backward Simulation in Bayesian Networks

反向模拟是贝叶斯信念网络的一种近似推理技术。它与现有的模拟方法的不同之处在于，它从已知的证据开始模拟并向后工作（即，与弧的方向相反）。该技术对证据的关注导致在后验信念由证据而不是先验概率主导的情况下改进收敛。由于这类情况是大的，该技术可以使实际的应用中的近似推理贝叶斯信念网络的许多现实世界的问题。

情境演算中有噪声传感器和效应器的推理

Reasoning about Noisy Sensors and Effectors in the Situation Calculus

与一个不完全已知的世界交互的智能体需要能够推理其行为的影响，并且为了获得关于该世界的进一步信息，他们需要使用某种传感器。不幸的是，动作的效果和从传感器返回的信息都容易出错。为了应对这种不确定性，智能体可以保持对世界状态的概率信念。有了概率信念，智能体将能够量化其行动的各种结果的可能性，并能够更好地利用从其易出错的行动和传感器收集的信息。在本文中，我们提出了一个模型，在该模型中，我们可以推理代理的概率程度的信念和这些信念的变化方式，作为各种行动的执行。我们建立在一个一般的逻辑理论的行动开发的赖特和其他人，形式化的情况演算。我们提出了一个简单的公理化，捕捉代理的信念状态和这些信念的方式改变时，执行的行动。我们的模型显示了一些直观合理的属性。

网络碎片：用于构建概率模型的知识表示

Network Fragments: Representing Knowledge for Constructing Probabilistic Models

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。

Model Transformations for Ranking Functions and Total Preorders

In the field of knowledge representation, the considered epistemic states are often based on propositional interpretations, also called worlds. E.g., epistemic states of agents can be modelled by ranking functions or total preorders on worlds. However, there are usually different ways of how to describe a real world situation in a propositional language; this can be seen as different points of view on the same situation. In this paper we introduce the concept of model transformations to convert an epistemic state from one point of view to another point of view, yielding a novel notion of equiv…

贝叶斯信度网络归纳学习算法的评价

An Evaluation of an Algorithm for Inductive Learning of Bayesian Belief Networks Usin

贝叶斯信念网络学习（Bayesian Learning of Belief Networks，BLN）是一种使用搜索和贝叶斯评分技术从数据中自动构建信念网络的方法。K2是实现贪婪搜索策略的方法的特定实例。为了评估K2的准确性，我们随机生成了一些BN，并为每个BN模拟了数据集。然后使用K2从模拟数据中诱导生成BN。我们检查的程序的性能，以及影响它的因素。我们还提出了一个简单的BN模型，从我们的结果，它预测的精度K2，当给定的数据集的各种特性。

信度网络中的最小假设分布传播

Minimal Assumption Distribution Propagation in Belief Networks

随着信任网络被用于对日益复杂的情况进行建模，从大型数据库中自动构建信任网络的需求将变得至关重要。本文集中解决了信念网络归纳问题的一部分：在给定定性结构的情况下，学习定量结构（条件概率）。特别是，一个理论，显示了如何传播的信念网络中的推理分布，唯一的假设是，给定的定性结构是正确的。大多数推理算法必须至少做出这个假设。该理论基于四个网络转换，足以在信念网络中进行任何推理。此外，与流行的观点相反，错误不一定会随着推理链的增长而增长。相反，对于从足够大的样本诱导的QBN信念网，随着推理链的大小增加，误差更有可能减小。

一致性、信念扩展与贝叶斯网络

Coherence, Belief Expansion and Bayesian Networks

我们构造了一个概率一致性测度的信息集，它决定了一个偏一致性排序。这一措施被应用于构建一个标准，以扩大我们的信念，面对新的信息。许多理想化的做法可以通过诉诸贝叶斯网络来放松。

一个熵驱动的从数据库构造概率专家系统的系统--Kuwait

Kutato: An Entropy-Driven System for Construction of Probabilistic Expert Systems from Databases

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。

基于态势演算的机器人位置估计

Robot Location Estimation in the Situation Calculus

位置估计是机器人应用中的基本传感任务，其中世界是不确定的，并且传感器和执行器是有噪声的。大多数系统对状态变量之间的依赖关系做出各种假设，特别是关于这些依赖关系如何作为操作的结果而改变。本文基于巴克斯、哈尔彭和莱维斯克关于情境演算中置信度推理的一般框架，以及最近对连续域的扩展，我们使用一个例子说明了在存在丰富的行动理论的情况下的位置估计。我们还表明，虽然行动可能会影响先验分布在非标准的方式，适当的后验信念，但作为一个整体规范的副作用。

构建环境：通过信念-意图共演的认知规划

Constructing the Umwelt: Cognitive Planning through Belief-Intent Co-Evolution

本文提出基于信念-意图共演的认知规划方法，通过MBCWM和TIWM模型实现环境与现实的认知一致性，提升自动驾驶规划性能并展现类人认知行为。

预测的动态网络模型

Dynamic Network Models for Forecasting

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。

动态情境感知中的多目标关联

Multi-objects association in perception of dynamical situation

在当前应用于智能车辆环境重建的感知系统中，为跟踪而保留的对象关联部分越来越重要。这允许首先跟随对象的时间演变，其次增加环境感知的可靠性。我们建议在此通信的多对象关联算法的发展与模糊消除进入这样一个动态感知系统的智能车辆的设计。该算法使用模糊数学的信念理论和数据建模，以便能够处理不准确以及不确定的信息，由于不完美的传感器。这些理论也允许数字和符号数据的融合。在这篇文章中，我们开发的已知和感知对象之间的匹配问题。由此，能够更新车辆的动态环境地图。信念理论将使我们能够量化每个感知对象与每个已知对象之间的关联的信念。冲突可能出现在物体出现或消失的情况下，或者在混乱的情况下或感知不良的情况下。这些冲突被删除或使用分配算法解决，给出一个称为“最佳”的解决方案，从而确保跟踪我们环境中存在的一些对象。

使用可能性逻辑的自动推理：语义、信念修正和可变权重

Automated Reasoning Using Possibilistic Logic: Semantics, Belief Revision and Variable Certainty Weights

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。

信度网络组合中的复杂性问题

Some Complexity Considerations in the Combination of Belief Networks

在知识库系统研究界，一个可能引起越来越多注意的主题是协调多位专家提供的信息。我们设想的情况下，几个专家独立编码的信息作为信念网络。然后，潜在的用户必须协调这些网络的结论和建议，以取得某种共识。达成这种共识的一种方法是在考虑任何案例特定数据（特定观察，测试结果）之前，将贡献的网络融合到单个共识模型中。这种方法需要两种类型的组合过程，一种用于概率，一种用于图。由于概率的组合是相对好理解的，这种方法的关键障碍在于图论领域。本文提供了一些必要的操作，以实现必要的图形组合的正式定义，并提供了这些程序的复杂性分析。本文的主要结果是，这些操作大多数是NP难的，其主要信息是，推导？好吗？共识网络必须以经验主义的方式进行。

用于信网推理的贝叶斯误差棒

Bayesian Error-Bars for Belief Net Inference

贝叶斯信度网络（BN）是一组n个变量的联合分布模型，具有表示变量之间的直接依赖关系的DAG结构，以及表示节点的局部条件概率的一组参数（又名CP表），给定每个分配给它的父节点。在许多情况下，这些参数本身是随机变量-这可能反映了领域专家的不确定性，或者可能来自用于估计参数值的训练样本。这些"CP表变量"上的分布导致BN将返回任何"Pr（H）是什么"的响应上的分布。|E）？"查询。本文研究了该响应的方差，首先证明了它是渐近正态的，然后给出了它的均值和渐近方差。然后，我们提出了一个有效的通用算法来计算这个方差，它具有相同的复杂性，简单地计算（平均值）的响应本身-即O（n 2^w），其中n是变量的数量和w是有效的树宽。最后，我们提供的经验证据表明，这种算法，whitincorporated假设和近似，有效地在实践中，只有小样本。

概率推理环境

A Probabilistic Reasoning Environment

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。

Learning Belief Network Structure From Data under Causal Insufficiency

Though a belief network (a representation of the joint probability distribution, see [3]) and a causal network (a representation of causal relationships [14]) are intended to mean different things, they are closely related. Both assume an underlying dag (directed acyclic graph) structure of relations among variables and if Markov condition and faithfulness condition [15] are met, then a causal network is in fact a belief network. The difference comes to appearance when we recover belief network and causal network structure from data. A causal network structure may be impossible to recover comp…

用一种新的信念函数演算量化知识--概率论的推广

Quantifying knowledge with a new calculus for belief functions - a generalization of probability theory

我们首先表明，有实际的情况下，例如法医和赌博的设置，其中应用古典概率论，即基于公理的柯尔莫哥洛夫，是有问题的。然后，我们介绍和讨论Shafer信念函数。从技术上讲，Shafer置信函数概括了概率分布。从哲学上讲，它们属于个体或共同的事实知识，而不是事实本身，因此可以解释为广义的认识概率，即认识论解释的概率论。置信函数比古典概率分布更灵活，更适合处理某些类型的不确定性。我们开发了一种新的演算的信念功能，不使用备受批评的Dempster的规则组合，通过概括的经典概念的条件和独立性，在一个自然的和无可争议的方式。使用这种演算，我们解释我们拒绝登普斯特规则的详细。我们将新的理论应用到一些例子中，包括赌博的例子和法医环境中的例子。我们证明了大数定律的信念功能，并提供了一个投注的解释类似于荷兰书定理的概率分布。

不考虑三角剖分的聚类

Clustering Without (Thinking About) Triangulation

用于评估信念网络的无向技术[Jensen等人，1990年，Lauritzen和Spiegelhalter，1988年]要求将网络中的节点聚类到连接树中。在传统观点中，联合树是从道德化和三角化的信念网络的派系中构建的：三角化被视为原始概念，是任何聚类算法（例如节点消除）的目标。在本文中，我们提出了另一种概念的集群，其中集群和连接树属性扮演的角色的原语：给定一个图（不是树）的集群服从（修改版本）的连接树属性，我们转换这个图，直到我们得到一棵树。这种方法有几个优点：它更清晰，更容易理解，这对构建信念网络的人来说很重要;它允许更广泛的分类，这可能会实现更有效或更好的聚类算法;它作为增量聚类方案的自然基础，我们描述。

一种概率推理随机算法的实证评价

An Empirical Evaluation of a Randomized Algorithm for Probabilistic Inference

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。

观察者-情境格：一种面向视角感知认知的统一基础

The Observer-Situation Lattice: A Unified Formal Basis for Perspective-Aware Cognition

本文提出观察者-情境格（OSL），一种统一的数学结构，用于支持面向视角的认知推理，通过两个关键算法实现信念管理和矛盾分解，提升多智能体环境中的推理效率和鲁棒性。

结合本体与对应和链接关系的E-SHIQ表示框架

Combining Ontologies with Correspondences and Link Relations: The E-SHIQ Representation Framework

在分布式环境中，如何将自主节点的知识和信念结合起来是一个重大的挑战。在本文中，我们认为同行结合本体论和原因，共同与他们的耦合知识。本体论是描述逻辑的SHIQ片段。虽然有几个表示框架的模块化描述日志- ICS，每一个作出至关重要的假设有关的主观性同行的知识，域之间的关系，本体论的解释，表达的构造器用于结合知识，和方式同行共享他们的知识。然而，在自主同伴可以独立于他人发展和扩展他们的知识和信仰的环境中，这些假设可能不成立。在这篇文章中，我们动机需要一个表示框架，允许同行以各种方式结合他们的知识，保持自己的知识和信念的主观性，并协同推理，构建一个分布在他们之间的画面，联合。本文提出了E-SHIQ表示框架，实现了E-SHIQ分布式Tableau推理机，并讨论了该推理机的效率。

置信因子、经验主义与证据理论

Confidence Factors, Empiricism and the Dempster-Shafer Theory of Evidence

基于知识的系统中的置信度问题变得越来越重要，Dempster-Shafer（DS）理论作为这些因素的基础变得越来越流行。本文讨论了对应用于知识系统的任何置信因子理论进行经验解释的必要性，并描述了对DS理论的经验解释，指出该理论已被广泛地误解。对于本质上是句法的DS理论，本文在传统的概率论语义模型--样本空间的基础上建立了一个模型。这个模型是用来表明，如果信念函数是基于合理准确的采样或观察的样本空间，然后根据DS理论计算的信念和上概率不能被解释为频率比。由于DS理论的许多建议应用在具有统计导出证据的情况下使用置信函数（Wesley [1]），并且似乎像Garvey [2]那样诉诸统计直觉来提供结果的解释，因此可以认为DS理论经常被误用。

最小误差树分解

Minimum Error Tree Decomposition

本文描述了一个推广的方法，以前的树结构的信念网络的隐变量。所述方法的主要新特征是即使在输入变量之间的相关数据中存在错误时也能够产生树分解。这是现有方法的一个重要扩展，因为相关系数通常不能精确测量。该技术涉及使用贪婪搜索算法，局部最小化误差函数。

KNET：超媒体与贝叶斯建模的集成

KNET: Integrating Hypermedia and Bayesian Modeling

KNET是一个用于构造基于信念网络和决策网络的专家系统的通用外壳。这样的网络作为决策模型的图形表示，其中知识工程师必须清楚地定义构成决策基础的备选方案，状态，偏好和关系。KNET包含一个用Object Pascal编写的知识工程核心和一个接口，该接口将苹果Macintosh计算机的超文本创作工具HyperCard紧密集成到一个新颖的专家系统架构中。超文本和超媒体在信息的存储管理和检索中变得越来越重要。从广义上讲，超媒体以动态的、广泛交叉引用的包形式传递异构的信息。由此产生的KNET系统具有一致的概率计划管理的不确定性，面向对象的图形编辑器，用于绘制和操纵决策网络，和HyperCard的潜力，快速构建灵活和友好的用户界面。我们设想KNET作为一个有用的原型工具，我们正在进行的研究，各种贝叶斯推理问题，包括易处理的表示，推理和解释。

机器人规划和解释生成的混合逻辑和概率推理

Mixed Logical and Probabilistic Reasoning for Planning and Explanation Generation in Robotics

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。

Non-Bayesian Social Learning with Uncertain Models

Non-Bayesian social learning theory provides a framework that models distributed inference for a group of agents interacting over a social network. In this framework, each agent iteratively forms and communicates beliefs about an unknown state of the world with their neighbors using a learning rule. Existing approaches assume agents have access to precise statistical models (in the form of likelihoods) for the state of the world. However in many situations, such models must be learned from finite data. We propose a social learning rule that takes into account uncertainty in the statistical mod…