Modular Belief Updates and Confusion about Measures of Certainty in Artificial Intelligence Research
Stanford University（斯坦福大学）
在过去的十年中，人们对人工智能研究中不确定性推理的信念变化或度量的使用越来越感兴趣。几种方法的一个重要特征是信念或信念更新的变化，我们称之为模块性。我们把满足这个性质的更新称为模块化更新。尽管在19世纪首次发现了满足模块性性质的信念更新的概率度量，但在人工智能研究中，对这些量的知识和讨论仍然模糊不清。我们定义了模块化更新，并讨论了它们在两个有影响力的专家系统中的不当使用。
2014-07-27 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
Modeling Belief in Dynamic Systems, Part II: Revision and Update
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。在一篇配套论文（Friedman & Halpern，1997）中，我们引入了一个新的框架来模拟信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和Mendelzon的信念更新的概念（胜野和Mendelzon，1991年a）取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
1999-03-24 cs.AI
An Investigation of Darwiche and Pearl's Postulates for Iterated Belief Update
Jinan University（暨南大学）
本文针对Rodrigues迭代信念更新方法不满足基本要求的问题，基于信念状态修改KM公设，将迭代信念修正公设迁移到信念更新，并给出偏预序语义刻画及相容性分析。
2023-10-28 cs.AI
An Axiomatic Framework for Belief Updates
Stanford University（斯坦福大学）
在20世纪40年代，一位名叫考克斯的物理学家基于主观或贝叶斯解释为概率公理提供了第一个正式的证明。他表明，如果措施的信念满足几个基本性质，那么措施必须是一些单调变换的概率。在本文中，信念或信念更新的变化措施进行检查。在考克斯的精神，属性的信仰变化的措施列举。证明了如果一个测度满足这些性质，则它必须满足其他限制条件。例如，它表明，在概率的情况下，信念更新必须等于一些单调变换的似然比。我们希望这种信念更新范式的正式解释将促进关键的讨论和有用的扩展的方法。
2013-03-27 cs.AI
Investigation of Variances in Belief Networks
Northeastern Illinois University（东北伊利诺伊大学）；Illinois Institute of Technology（伊利诺伊理工学院）
信度网络是一种众所周知的图形结构，用于表示联合概率分布中的独立性。在信度网络中进行概率推理的方法，往往把存储在信度网络中的条件概率当作确定的值。然而，如果一个人对概率采取主观主义的或限制频率的方法，那么他就永远不能确定概率值。一个算法不仅应该能够在其他节点被实例化时报告剩余节点的备选方案的概率;它还应该能够报告这些概率相对于存储在网络中的概率的不确定性的不确定性。本文在假定不确定性变量的后验分布可以用先验分布近似的条件下，得到了一种确定推断概率方差的方法。它表明，这个假设是合理的，如果他们是一个合理的置信度的概率存储在网络中。此外，在本文中，一个令人惊讶的上界的先验方差的概率分布的情况下，所有节点的替代品的概率得到的概率分布是贝塔分布。它示出，在一个替代的节点的概率的先验方差是有界以上的条件概率分布的元素中的最大方差为该节点。
2013-03-20 cs.AI
On Stochastic Belief Revision and Update and their Combination
Centre for Artificial Intelligence Research（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）
我提出了一个框架，代理改变其概率信念时，观察到一个新的命题信息$α$。传统上，信念改变通过修正过程或更新过程发生，这取决于代理是否在静态世界中被告知$α$，或者分别取决于$α$是否是由于事件发生而来自环境的“信号”。Boutilier提出了一个定性信念变化的统一模型，该模型“结合了修订和更新的各个方面，提供了一个更现实的信念变化特征。在本文中，我提出了一个定量信念变化的统一模型，其中代理人的信念表示为可能世界上的概率分布。正如Boutilier一样，我采取了动力系统的观点。对所提出的方法进行了评估，对几个合理性假设，并制定了该方法的一些性质。
2016-04-07 cs.AI
Higher Order Probabilities
许多作者都认为，对于信念的完整规范，需要更高阶的概率。有些人甚至认为，可能有一个无休止的序列，更高的顺序概率的概率的概率。.在本文中，我们表明，高阶概率总是可以取代联合概率分布的边缘分布。我们认为这两种情况下，高阶概率是相同的排序为低阶概率，并在高阶概率是不同的字符，当低阶概率被解释为频率和高阶概率被解释为主观程度的信念。在这两种情况下，高阶概率似乎都没有提供任何优势，无论是在概念上还是在计算上。
2013-03-27 cs.AI
A betting interpretation for probabilities and Dempster-Shafer degrees of belief
至少有两种方法可以解释投注中的数字信念程度：（1）你可以按照信念程度定义的赔率下注，或者（2）你可以判断，利用这种投注机会的策略不会使其风险资本乘以一个很大的因子。这两种解释都可以应用于普通的加性概率，并用于证明条件更新。只有第二个可以适用于Dempster-Shafer程度的信念，并用于证明Dempster的规则的组合。
2010-01-11 cs.AI math.ST stat.TH
Knowledge Engineering for Large Belief Networks
Stanford University（斯坦福大学）
我们提出了几种技术的知识工程的大型信念网络（BN）的基础上，我们的经验与网络来自一个大型的医学知识库。noisyMAX是noisy-“或”门的推广，用于在具有多值变量的BN中对因果依赖进行建模。我们描述了使用泄漏概率来执行我们的模型中的封闭世界假设。我们提出了Netview，一个可视化工具的基础上的因果关系的独立性和使用泄漏概率。Netview软件允许知识工程师动态查看知识工程的子网，并提供编辑BN的版本控制。Netview生成子网络，其中泄漏概率动态更新以反映网络的缺失部分。
2013-02-27 cs.AI
A Logic for Default Reasoning About Probabilities
Max-Planck-Institut fur Informatik（马克斯·普朗克信息学研究所）
定义了一种逻辑，它允许表达关于统计概率和关于特定命题的置信度的信息。通过在一个共同的概率空间中解释两种类型的概率，给出的语义非常适合于模拟统计信息对主观信念形成的影响。交叉熵最小化是这些语义中的一个关键元素，它的使用是合理的，表明所产生的逻辑表现出一些非常合理的属性。
2013-02-27 cs.AI
Iterated Belief Change Due to Actions and Observations
British Columbia Institute of Technology（不列颠哥伦比亚理工学院）；Simon Fraser University（西蒙菲莎大学）
在行动领域，代理人可能有错误的信念，推理的影响，行动涉及推理信念的变化。在本文中，我们使用一个过渡系统的方法来推理代理信念的演变，因为行动的执行。一些动作导致代理执行信念修正，而另一些动作导致代理执行信念更新，但是修正和更新之间的交互可以是非基本的。我们提出了一套合理性属性描述修订和更新之间的相互作用，我们引入了一类新的信念变化算子的推理交替序列的修订和更新。我们的信念改变运营商的特点是在一个自然的移位操作总预排序的解释。我们比较了我们的方法与相关工作迭代的信念变化，由于行动，我们得出的结论与未来的研究方向。
2014-01-16 cs.AI
Belief Optimization for Binary Networks: A Stable Alternative to Loopy Belief Propagation
我们提出了一种新的推理算法，任意，二进制，无向图。不像循环的信念传播，迭代不动点方程，我们直接下降到贝特自由能。该算法包括两个阶段，首先，我们更新成对的概率，给定的边际概率在每个单元，使用一个解析表达式。接下来，我们更新边际概率，通过遵循贝特自由能的负梯度给出成对概率。这两个步骤都保证减少贝特自由能，因为它是下界，算法保证收敛到局部最小值。我们还表明，Bethe自由能等于TAP自由能，直到二阶的重量。在实验中，我们确认，当信念传播收敛，它通常会发现我们的信念优化方法相同的解决方案。然而，在信念传播未能收敛的情况下，信念优化继续收敛到合理的信念。信念优化的稳定性使其非常适合从数据中学习图形模型。
2013-01-10 cs.AI cs.LG
Belief Update in CLG Bayesian Networks With Lazy Propagation
HUGIN Expert A/S（HUGIN Expert 公司）
近年来，具有连续和离散变量混合的贝叶斯网络（BN）受到了越来越多的关注。我们提出了一种结构的精确信念更新条件线性高斯贝叶斯网络（CLG BN）。该架构是使用Lauritzen & Jensen [6]和Cowell [2]的操作的惰性传播的扩展。通过将团和分离器潜力分解为因子集，所提出的架构利用了由图和证据的结构引起的独立性和不相关性。举例说明了由此产生的好处。初步的经验性能评估的结果表明，所提出的架构的显着潜力。
2012-06-27 cs.AI
Dependence in Propositional Logic: Formula-Formula Dependence and Formula Forgetting -- Application to Belief Update and Conservative Extension
依赖性是人工智能中许多任务的重要概念。通过丢弃与任务无关的东西，可以更有效地执行任务。本文提出了命题逻辑中两个新的依赖概念：公式-公式依赖和公式遗忘。第一个是公式之间的关系，捕获公式是否依赖于另一个公式，而第二个是独立于公式返回最强结果的操作。我们还将这两个概念应用于两个著名的问题：信念更新和保守扩展。首先，我们定义了一个新的更新操作的基础上公式公式依赖。此外，我们把保守扩张归结为公式遗忘。
2019-06-12 cs.AI
Approximate evaluation of marginal association probabilities with belief propagation
Defence Science and Technology Organisation（国防科学技术组织）；University of Adelaide（阿德莱德大学）；Australian National University（澳大利亚国立大学）
数据关联是对目标和测量之间的对应关系进行推理的问题，是跟踪中的一个基本问题。本文提出了一个图形化的数据关联模型公式，并采用近似推理方法，置信传播（BP），以获得边际关联概率的估计。我们证明了BP算法是保证收敛的，并限制了所需的迭代次数。实验表明，一个有利的比较，以前的方法在准确性和计算复杂性。
2014-11-20 cs.AI cs.CV
Compositional Belief Update
Simon Fraser University（西蒙菲莎大学）
在本文中，我们探讨了一类信念更新算子，在该算子的定义是合成相对于要添加的句子。我们的目标是提供一个更新操作是直观的，因为它的定义是基于更新语句结构的递归分解，并且可以合理地实现。在解决更新，我们首先提供了一个定义措辞的知识库的模型。虽然该算子满足基准Katsuno-Mendelzon更新假设的核心组，但并不是所有的假设都得到满足。其他胜野-门德尔松假设可以通过适当地限制更新句子的句法形式来获得，正如我们所展示的。在限制的句法形式的句子更新，我们也得到了一个层次的更新操作符与温斯莱特标准语义作为最基本的有趣的方法捕获。随后，我们给出了一个算法，捕捉这种方法，在一般情况下，该算法是指数，但与一些不合理的假设，我们得到一个算法，是线性的知识库的大小。因此，在某些情况下，所得到的方法具有比其他算子更好的复杂度特性。我们还探讨了其他组成的信念改变运营商：擦除开发作为一个双重运营商更新，我们表明，一个忘记运营商是可定义的更新方面，我们给出了一个定义的组成修订运营商。我们得到的组成修订，在最自然的定义下，产生Satoh修订运营商。
2014-01-15 cs.AI
Modeling Belief in Dynamic Systems, Part II: Revisions and Update
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。在一个配套文件中，我们介绍了一个新的框架模型的信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和门德尔松的信念更新的概念取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
2003-07-30 cs.AI cs.LO
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
Evaluating Communicative Belief Updates in Large Language Models via Implicature Recognition and Cancellation
Mila - Quebec AI Institute & McGill University（米拉 - 魁北克人工智能研究所和麦吉尔大学）
研究通过创建首个专家注释的含义取消数据集，评估大语言模型识别和理解潜在信念及更新的能力，发现其落后于人类，成功可能源于依赖先验信念，失败取决于类型和形式，表明当前LLMs未达人类水平。
2026-07-30 cs.AI cs.CL
Learning unbelievable marginal probabilities
University of Rochester（罗切斯特大学）；Columbia University（哥伦比亚大学）
Loopy belief propagation在具有循环的图形模型上执行近似推理。人们可能希望通过调整模型参数来补偿近似值。用于此目的的学习算法以前已经探索过了，并且已经声称每一组局部一致的边缘都可以从在图形模型上运行的置信传播中产生。相反，在这里，我们表明，许多概率分布的边际不能通过使用任何一组模型参数或任何学习算法的信念传播。我们称这种边缘化为“难以置信”。只要贝特自由能的海森函数在目标边缘不是正定的，就会出现这个问题。所有用于信念传播的学习算法在这些情况下必然失败，产生甚至可能比预学习近似更差的信念或信念集。然后，我们表明，平均不准确的信念，每个信念传播使用模型参数扰动一些学习的平均值，可以实现令人难以置信的边际。
2011-06-02 cs.AI cs.LG
Belief Updating by Enumerating High-Probability Independence-Based Assignments
Air Force Institute of Technology（空军理工学院）；Ben Gurion University of the Negev（内盖夫本-古里安大学）
基于独立性（IB）的贝叶斯信念网络分配最初被提出作为溯因解释。IB分配分配更少的变量在溯因解释比计划分配值的所有证据支持的变量。我们使用IB分配来近似贝叶斯信念网络中的边缘概率。最近的工作在贝叶斯网络的信念更新试图近似后验概率找到一个小数目的最高概率完成（或可能证据支持）的分配。在某些假设下，这些赋值的并集中的概率质量足以获得良好的近似。这种方法对于高度连接的网络特别有用，其中最大团大小或割集大小使标准算法难以处理。由于IB作业包含较少的分配变量，因此每个作业中的概率质量大于相应的完整作业。因此，更少的IB赋值就足够了，并且可以更有效地获得良好的近似。IB分配可以用于有效地近似后验节点概率，即使在不遵守先前研究中使用的相当严格的偏度假设的情况下。提出了两种寻找高概率IB分配的算法：一种是最佳优先启发式搜索算法，另一种是专用整数线性规划算法。实验结果表明，该方法对高度连通的信度网络是可行的。
2013-02-27 cs.AI
Constructing Lower Probabilities
University of Tennessee（田纳西大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
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。
2013-03-06 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
YARBUS : Yet Another Rule Based belief Update System
GeorgiaTech（佐治亚理工学院）；CNRS（法国国家科学研究中心）
我们介绍了一个新的基于规则的系统，在对话系统中的信念跟踪。尽管正在考虑的规则很简单，但与之前提交的第二次和第三次对话状态跟踪挑战相比，所提出的信念跟踪器排名有利。这个简单的跟踪器的结果允许使用更精细的技术重新考虑以前提交的性能。
2015-07-24 cs.AI cs.CL
Selective Credibility-Limited Belief Update
University of the Peloponnese（伯罗奔尼撒大学）；American University of the Middle East（中东美国大学）
本文针对现有可信度受限信念更新无法处理复合认知输入部分可实现的问题，提出选择性可信度受限的信念更新，刻画其语义与公理，定义两类子类，证明框架通用性，提供统一且表达力更强的信念更新方案。
2026-07-31 cs.AI cs.LO
Reasoning about Probabilities in Dynamic Systems using Goal Regression
University of Toronto（多伦多大学）
在不确定的动态世界中，关于置信度的推理是许多应用的基础，例如机器人和规划，其中动作修改状态属性并且传感器提供测量，这两者都容易受到噪声的影响。除了有限的情况下，如高斯过程的线性现象，信念状态的演变可能是复杂的，很难以一般的方式推理。本文提出了一个框架，新的结果，允许减少主观概率后，感知和行动的问题，只有初始状态。我们建立在一个表达概率的一阶逻辑帐户巴克斯，Halpern和Levesque，从而在一个方法，原则上，可以与各种现有的推理解决方案。
2013-09-26 cs.AI
Entropy and Belief Networks
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
信网条件概率的乘积展开不是最大熵。这似乎否定了对模型的一种理想的保证。然而，可以导出一种几乎与最大熵一样强的保证。令人惊讶的是，变体模型也具有保证，并且在许多情况下获得比产品扩展更高的性能分数。
2013-03-13 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
Bayesian Incremental Inference Update by Re-using Calculations from Belief Space Planning: A New Paradigm
Technion - Israel Institute of Technology（以色列理工学院）
不确定性下的推理和决策是每个自主系统和许多机器人问题的关键过程。近年来，推理和决策之间的相似性引发了许多工作，从开发统一的计算框架到思考两者之间的二重性。尽管这些努力，推理和控制，以及推理和信念空间规划（BSP）仍然被视为两个独立的过程。在本文中，我们提出了一种范式转换，一种新的方法，它偏离了传统的贝叶斯推理，并利用推理和BSP之间的相似性。我们的关键观察是，即使在两者之间的数据关联不一致的情况下，也可以使用在决策阶段做出的预测来有效地更新推断。我们开发了一个两阶段的过程，实现了我们的新方法，并更新推理使用的计算从初步规划阶段。在未知环境中使用自主导航以及iSAM 2有效方法作为测试用例，我们将我们的新方法与标准贝叶斯推理进行了基准测试，包括合成数据和真实数据（KITTI数据集）。结果表明，我们的方法不仅提高了运行时间的至少一个因素的两个，同时提供相同的估计精度，但它也简化了状态维数和循环闭合的计算负担。
2021-01-05 cs.AI
Updating beliefs with incomplete observations
目前，有新的兴趣的问题，提出了谢弗在1985年，更新概率时，观察是不完整的。这是一个基本问题，特别是贝叶斯网络。最近，Grunwald和Halpern已经表明，常用的更新策略在这种情况下失败，除非在非常特殊的假设。在本文中，我们提出了一种新的方法来更新不完整的观测值的概率。我们的方法是故意保守的：我们不对所谓的不完整性机制做任何假设，这种机制将完整与不完整的观察联系起来。我们通过一个空洞的低预见来模拟我们对这种机制的无知，这是一种来自不精确概率理论的工具，我们只使用相干参数来将先验概率转换为后验概率。一般来说，这种新的更新方法会产生较低和较高的后验概率和期望，以及部分确定的决策。这是对不完全性机制的现有无知的逻辑结果。我们应用新的方法来分类的问题，新的证据在概率专家系统，在那里它会导致一个新的，所谓的保守更新规则。在贝叶斯网络使用专家知识构建的特殊情况下，我们提供了一个精确的算法分类的基础上，我们的更新规则，它具有线性时间复杂度的一类网络比多叉树。然后，这个结果被扩展到更一般的信用网络框架，其中计算通常比贝叶斯网络更困难。使用一个例子，我们表明，我们的规则似乎提供了一个坚实的基础，可靠的更新不完整的观察，当没有强有力的假设不完整的机制是合理的。
2004-05-17 cs.AI
The logic of KM belief update is contained in the logic of AGM belief revision
University of California, Davis, USA（加州大学戴维斯分校）
本文证明了KM信念更新的逻辑是AGM信念修订逻辑的子集，并展示了AGM信念修订是KM信念更新的特殊情况。
2026-03-01 cs.AI cs.LO math.LO
A New Algorithm for Finding MAP Assignments to Belief Networks
Brown University（布朗大学）
本文提出了一种新的算法，用于寻找最大后验（MAP）分配值的信念网络。信念网络被编译成仅由具有布尔（即仅0或1）条件概率的节点组成的网络。然后，在所得到的网络上使用最佳优先搜索来找到MAP分配。我们认为，正如人们所预料的那样，该算法在一般情况下是指数的，但对于多边形树，网络的大小仅是线性的。
2013-03-27 cs.AI
Align While Search: Belief-Guided Exploratory Inference for World-Grounded Embodied Agents
LG AI Research（LG人工智能研究）；KAIST（韩国科学技术院）
本文提出了一种基于信念的探索性推理方法，通过后验引导和轻量级模型实现高效的世界对齐，优于现有基线方法。
2025-12-30 cs.AI
Network Engineering for Complex Belief Networks
IET, Inc.（IET公司）；George Mason University（乔治梅森大学）
与任何大型系统开发工作一样，复杂信念网络模型的构建需要系统工程来管理设计和构建过程。我们提出了一个快速原型的网络工程方法。我们描述了用于识别网络模块和使用“存根”来表示尚未构建的模块的标准。我们提出了一个面向对象的表示信念网络捕捉的语义问题，除了条件独立性和概率。讨论了复杂信度网络模型的评价方法。从一个大型的信念网络建设问题在军事情报领域的例子说明的想法。
2013-02-13 cs.AI
Learning Probabilities: Towards a Logic of Statistical Learning
University of Amsterdam（阿姆斯特丹大学）；University of Bayreuth（拜罗伊特大学）
我们提出了一个新的模型，用于形成信念和学习未知的概率（例如从一个带有未知分布的彩色大理石的袋子中挑选红色大理石的概率）。对于这种“根本不确定性”的情况，最普遍的模型是不精确的概率，即将代理人的知识表示为一组概率度量。我们在这个模型中添加了一个可扩展性图，将每个度量与可扩展性数相关联，作为一种超越已知确定性的方式，并表示代理对概率的信念。有一些标准的例子：香农熵，质心等，然后我们考虑学习两种类型的信息：（1）通过重复采样从未知分布（例如从袋子里捡弹珠）学习;（2）学习关于分布的高阶信息（以线性不等式的形式，例如我们被告知红色弹珠比绿色弹珠多）。第一种方法只改变可扩展性图（通过贝叶斯规则的“可扩展性”版本），但保持给定的度量集不变;第二种方法缩小了度量集，但不改变它们的可扩展性。信念的定义与信念修正理论相同，即在最可信的世界中的真理。但是我们的信念改变不符合标准AGM公理，因为由（1）引起的修正是非AGM类型的。这是必不可少的，因为它允许我们的代理学习真实的概率：我们证明了通过重复采样获得的信念几乎肯定会收敛到正确的信念（在真实概率中）。最后，我们勾勒出统计学习的动态doxastic逻辑的轮廓。
2019-07-22 cs.AI cs.LO
Stochastic Simulation of Bayesian Belief Networks
Stanford University Medical Center（斯坦福大学医学中心）
本文探讨贝叶斯信念网络推理使用模拟作为一种方法来计算网络变量的后验概率。具体来说，它检查使用的方法描述的Henrion，所谓的逻辑抽样，和方法描述的珍珠，所谓的随机模拟。我们首先回顾的条件下，逻辑采样是计算上不可行的。这种情况下激发了珍珠的随机模拟算法的发展。我们已经发现，这种随机模拟算法，当应用于某些网络，导致比预期慢得多的收敛到真正的后验概率。这种行为是由于网络中的局部区域在许多模拟周期中趋于固定。通过加强节点之间的概率依赖性，可以使获得显著收敛所需的时间任意长。我们建议使用几种形式的图形修改，如图形修剪，弧反转和节点减少，为了将一些网络转换为计算更有效的模拟格式。
2013-03-27 cs.AI
A Simple Insight into Iterative Belief Propagation's Success
University of California, Irvine（加州大学尔湾分校）
在非遍历信度网络中，许多查询的后验信度在给定证据的情况下可能变为零.本文证明了当信度传播在任意网络上迭代应用时（所谓的迭代或循环信度传播（IBP）），它与关于零信度查询的弧一致性算法（即评估零后验概率）是相同的.这意味着由信念传播得到的零信念结论是收敛的和可靠的。更重要的是，它表明IBP的推理能力与弧一致性的推理能力一样强和一样弱。这一方面允许对信念传播无用的信念网络进行合成，另一方面集中于对信念传播可能是零完全的信念网络类的研究。最后，所有上述结论也适用于广义置信传播算法，它扩展了循环置信传播，并允许对它们的能力有一个严格的理解。
2012-10-19 cs.AI
Dynamic Theory of Mind as a Temporal Memory Problem: Evidence from Large Language Models
研究探讨了动态心智理论作为时间延伸表征记忆问题，发现大语言模型在跟踪信念轨迹方面存在挑战，揭示了记忆与干扰机制在社会推理中的影响。
2026-03-15 cs.AI
SOLBP: Second-Order Loopy Belief Propagation for Inference in Uncertain Bayesian Networks
University of Michigan（密歇根大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；BI Norwegian Business School（BI挪威商学院）；University of Brescia（布雷西亚大学）
在二阶不确定贝叶斯网络中，条件概率仅在分布内已知，即，概率大于概率Delta方法已被应用于扩展精确的一阶推理方法，通过贝叶斯网络派生的和-积网络传播均值和方差，从而表征认知不确定性或模型本身的不确定性。或者，二阶信念传播已被证明为多树，但不是一般的有向无环图结构。在这项工作中，我们将Loopy Belief Propagation扩展到二阶贝叶斯网络的设置，从而产生二阶Loopy Belief Propagation（SOLBP）。对于二阶贝叶斯网络，SOLBP生成的推理与和积网络生成的推理一致，同时计算效率更高，可扩展性更强。
2022-08-16 cs.AI cs.LG stat.ML
Computational Advantages of Relevance Reasoning in Bayesian Belief Networks
University of Pittsburgh（匹兹堡大学）
本文介绍了一个计算框架推理贝叶斯信念网络，从集中推理和相关推理的显着优势。该框架基于d -分离和其他简单且计算效率高的技术，用于修剪网络中不相关的部分。我们的主要贡献是一种技术，我们称之为基于相关性的分解。基于相关性的分解方法通过关注大网络中的部分并将其分解为部分重叠的子网络来实现信念更新。这使得在一些棘手的网络中进行推理成为可能，此外，通常会导致显着的加速，因为更新所有子网所花费的总时间实际上通常比更新整个网络所花费的时间要少得多。我们报告的实证检验结果表明，我们的方法的实际意义。
2013-02-06 cs.AI
Dynamics of Belief: Abduction, Horn Knowledge Base And Database Updates
RWTH Aachen（亚琛工业大学）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。为了将信念动力学理论的合理性结果应用到各种实际问题中，它应该在两个方面进行推广：第一，它应该允许信念的某一部分被声明为不变的;第二，信念状态不需要是演绎封闭的。本文提出了这样一种广义的信念动力学，称为基地动力学，随着知识库（霍恩或霍恩逻辑分层否定）的广义修正算法的概念。我们表明，知识库动态有一个有趣的连接，通过击中集和绑架的内核变化。在本文中，我们将展示如何从析取逻辑编程技术可以用于有效的（演绎）数据库更新。其核心思想是将给定的数据库连同更新请求一起转换成一个析取（数据库）逻辑程序，并应用析取技术（如最小模型推理）来解决原始的更新问题。该方法扩展并集成了标准技术，以实现高效的查询应答和完整性检查。一个击中集的生成是通过一个超tableaux演算和魔术集，专注于最小的目标。本文提供了一个比较研究的视图更新算法在理性的做法。为了理解溯因推理的基本概念，我们提供了一个知识库动力学的溯因框架。最后，我们展示了如何信念基础动力学可以提供一个公理化的表征插入一个视图原子的数据库。我们给出了信念改变的主要操作符的快速概述，特别是信念更新与数据库更新。
2015-01-27 cs.AI cs.DB cs.LO
Some Complexity Considerations in the Combination of Belief Networks
University of Southern California（南加州大学）
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。
2013-03-06 cs.AI
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
Loopy Belief Propagation in Bayesian Networks : origin and possibilistic perspectives
在本文中，我们提出了一个综合的工作进行两个推理算法：珍珠的信念传播（BP）算法适用于贝叶斯网络没有循环（即polytree）和循环的信念传播（LBP）算法（灵感来自BP），这是适用于网络包含无向循环。众所周知，BP算法，适用于贝叶斯网络与循环，给出不正确的数值结果，即不正确的后验概率。Murphy等人[7]发现LBP算法在多个网络上收敛，当这种情况发生时，LBP给出了精确后验概率的良好近似。然而，该算法在应用于QMR（快速医学参考）网络时呈现振荡行为[15]。这种现象阻止了LBP算法收敛到后验概率的良好近似。我们相信，翻译的推理计算问题从概率框架的可能性框架将允许LBP算法的性能改善。我们希望，该算法的适应可能性因果网络将显示LBP的收敛性的改善。
2012-06-05 cs.AI cs.IR
Conditioning Accept-Desirability models in the context of AGM-like belief change
Ghent University（根特大学）
本文提出了一种在AGM-like信念变更框架下对接受-可欲性模型进行条件化的规则，并探讨了其在经典逻辑和完全条件概率中的适用性。
2025-12-22 cs.AI math.LO math.PR
Research Note on Uncertain Probabilities and Abstract Argumentation
University of Brescia（布雷西亚大学）；Cardiff University（卡迪夫大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；Amazon（亚马逊）
国际气候变化专门委员会（IPCC）的第六次评估指出，“过去十年（2010-2019年）累积的二氧化碳净排放量与可能将变暖限制在1.5摄氏度的11个剩余碳预算大致相同（中等置信度）。“这类报告直接为公众话语提供了素材，但诸如信仰和信心程度等细微差别往往被忽视。在本文中，我们提出了一个正式的帐户，允许这样的程度的信念和相关的信心被用来标记参数在抽象的论证设置。从概率论证的其他建议，我们专注于任务的概率推理选择的查询建设佐藤的分布语义已经被证明包括各种情况下，包括贝叶斯网络的语义。借用大量的文献，这样的语义，我们研究如何在实践中处理这些任务时，考虑不确定的概率，并讨论与现有的建议概率论证的连接。
2022-08-23 cs.AI
Minimal Assumption Distribution Propagation in Belief Networks
University of California（加利福尼亚大学）
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。
2013-03-06 cs.AI
The Temporal Dynamics of Belief-based Updating of Epistemic Trust: Light at the End of the Tunnel?
Ludwig-Maximilians-University of Munich (LMU)（慕尼黑大学（LMU））；Friedrich Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）；Birkbeck College London（伦敦伯克贝克学院）
我们开始与结果和基于信念的贝叶斯模型的顺序更新代理人的信念和主观可靠性的来源（信任）的区别。然后，我们重点讨论了有影响力的贝叶斯模型的基于信念的信任更新的埃里克奥尔森，该模型的二分法事件，并明确表示反可靠性。在勾画了一些灾难性的最近的结果，这也许是最有前途的模型的信念更新，我们展示了新的模拟结果的时间动态的学习信念，有和没有信任更新，有和没有沟通。结果似乎至少为沟通和信任更新代理提供了一些更积极的信息。这可能是基于信念的信任更新模型隧道尽头的一盏灯，但对明确发现的解释却不那么清楚。
2019-12-24 cs.AI cs.SI
Anytime Exact Belief Propagation
Artificial Intelligence Center（人工智能中心）；SRI International（斯坦福国际研究院）
统计关系模型和最近的概率编程，已经朝着逻辑和概率推理的集成迈进。对这个项目的一个自然期望是，当提供一个只涉及0-1概率的模型时，概率逻辑推理算法简化为逻辑推理算法，表现出逻辑推理的所有优点，如短路，可理解性，以及为查询答案提供证明树的能力。事实上，我们可以进一步要求，即使对于概率为\emph{near} 0和1的概率模型，这些特征也必须存在，随着模型变得更加不确定，这些特征也会逐渐退化。我们还寻求的推断，摊销常数时间复杂度模型的大小（即使仍然是指数的诱导宽度的一个更直接相关的部分），使它可以应用于巨大的知识库，其中只有一个相对较小的部分是相关的典型查询。我们认为，在概率推理算法中，信念传播是最类似于逻辑推理：消息在相邻变量之间传播，消息传递的路径类似于证明树。然而，置信传播要么只适用于树模型，要么近似（并且不保证）精度和收敛。在本文中，我们提出了一个随时精确的信念传播算法，是非常相似的信念传播，但即使是图形模型的周期是准确的，同时表现出软短路，摊销常数时间复杂度的模型大小，并可以提供概率证明树的进展工作。
2017-07-27 cs.AI
BayesBench: Evaluating LLM Belief Trajectories Under Multi-Turn Evidence Accumulation
Meta AI；Columbia University（哥伦比亚大学）；Meta Superintelligence Labs（Meta超级智能实验室）；Tel Aviv University（特拉维夫大学）
提出BayesBench基准，通过三个渐进复杂任务评估LLM在多轮证据积累中的信念更新是否接近贝叶斯理性，发现规模提升改善潜在推理但未可靠转化为预测。
2026-07-01 cs.AI
The Wasserstein Believer: Learning Belief Updates for Partially Observable Environments through Reliable Latent Space Models
AI Lab, Vrije Universiteit Brussel（布鲁塞尔自由大学AI实验室）；University of Antwerp（安特卫普大学）；Flanders Make（弗兰德斯制造机构）；Urban Innovation and R&D, City of Amsterdam（阿姆斯特丹市城市创新与研发部门）
本文提出 Wasserstein 信念更新器，通过学习 POMDP 的潜在模型和信念更新近似，克服循环神经网络压缩历史缺乏成功保证的问题，并在理论上保证近似质量足以学习最优价值函数。
2023-10-26 cs.AI cs.LG
PABU: Progress-Aware Belief Update for Efficient LLM Agents
North Carolina State University, Raleigh, NC, USA（北卡罗来纳州立大学）；University of California, Irvine, CA, USA（加州大学伊市分校）；Amazon, Seattle, WA, USA（亚马逊公司）
PABU通过显式建模任务进度和选择性保留历史信息，提升了LLM代理的任务完成效率和性能。
2026-02-09 cs.AI cs.CL
Optimization of Inter-Subnet Belief Updating in Multiply Sectioned Bayesian Networks
University of Regina（里贾纳大学）
最近的发展表明，多重分段贝叶斯网络（MSBN）可以用于自然系统的诊断以及人工系统的基于模型的诊断。它们可以应用于面向单智能体的推理系统以及多智能体的分布式概率推理系统。在MSBN的全局一致性维护中，一对样本之间的信念传播起着核心作用。本文研究了操作UpdateBelief，最初与MSBN，子网间传播。我们分析了操作如何实现其预期功能，这为如何提高其效率提供了提示。然后，我们定义了两个新版本的UpdateBelief，减少子网间传播的计算时间。其中之一是最佳的意义上说，协调多链接的信念传播的计算量最小是必需的。最优化问题是通过一个图论问题的解决方案来解决的：在一棵树中的最小重量开巡回赛。
2013-02-20 cs.AI
