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
Loglinear models for first-order probabilistic reasoning
University of York(约克大学)
最近的工作对数线性模型的概率约束逻辑编程适用于一阶概率推理。概率直接定义在原子公式的证明上,并通过原子公式本身的边缘化来定义。我们使用随机逻辑程序(SLP)组成的标记和未标记的确定性条款来定义的证明概率。我们有一个保守的一阶推理的扩展,因此,例如,在逻辑变量和随机变量之间有一个一一映射。我们展示了如何,在这个框架中,归纳逻辑程序设计(ILP)可以用来诱导的对数线性模型的功能,从数据。我们还比较了所提出的框架与其他方法的一阶概率推理。
2013-01-23 cs.AI
Probabilistic Deduction: an Approach to Probabilistic Structured Argumentation
Nanyang Technological University(南洋理工大学)
本文介绍了概率推理(PD)作为一种概率结构化论证的方法。PD框架由概率规则(p-规则)组成。作为经典结构化论证框架中的规则,p-规则构成了演绎系统。此外,p规则还表示定义联合概率分布的条件概率。在PD框架下,通过求解规则概率可满足性来进行概率推理。同时,通过论证和攻击,可以获得对概率推理的论证性解读。在这项工作中,我们介绍了封闭世界假设(P-CWA)的概率版本,并证明我们的概率方法符合P-CWA下的经典论证的完全扩展和最大熵推理。我们提出了几种方法来计算联合概率分布从p-规则实现一个实用的证明理论PD。PD提供了一个框架,以统一的概率推理与论证推理。这是第一个工作的概率结构化论证的联合分布是不假定形式的外部来源。
2022-09-01 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
Integrating Logical and Probabilistic Reasoning for Decision Making
Rockwell International Science Center(罗克韦尔国际科学中心);Stanford University(斯坦福大学)
我们描述了一种表示和一组推理方法,结合逻辑编程技术与概率网络表示的不确定性(影响图)。该技术强调复杂和不确定领域的概率和决策理论模型的动态构建和解决方案。给定一个查询,如果可能的话,会产生一个逻辑证明;如果不可能,会产生一个基于查询和决策域知识的影响图,并随后求解。一个统一的声明,一阶,知识表示相结合的逻辑,概率和决策理论推理的综合推理过程。
2013-03-27 cs.AI
Unlocking the Value of Text: Event-Driven Reasoning and Multi-Level Alignment for Time Series Forecasting
East China Normal University(华东师范大学)
本文提出VoT方法,结合事件驱动推理和多级对齐,利用文本信息提升时间序列预测性能,通过历史上下文学习和自适应频率融合实现文本与数值预测的互补。
2026-03-16 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
Swift Markov Logic for Probabilistic Reasoning on Knowledge Graphs
Banca d’Italia(意大利银行);TU Wien(维也纳工业大学);University of Oxford(牛津大学)
我们提供了一个基于Vadalog的知识图谱(KGs)的概率推理框架,满足本体推理的要求:全递归、强大的存在量化、归纳定义的表达. Vadtron是一种基于Warded Datrons +/-的知识表示和推理(KRR)语言,Warded Datrons +/-是存在规则的逻辑核心语言,在计算复杂性和表达能力之间具有良好的平衡。处理不确定性是与KG进行推理的关键。然而,Vadminister和Warded Datasheet +/-没有被现有的概率逻辑编程和统计关系学习方法所覆盖,原因有几个,包括对存在量化递归的支持不足,以及不可能表达归纳定义。在这项工作中,我们引入软Vadministration,概率扩展Vadministration,满足这些desiderata。一个软Vadministration程序诱导我们所谓的概率知识图谱(PKG),它由一个网络上的概率分布的追逐实例,结构通过接地的规则在数据库中使用追逐过程。我们利用PKG的概率边际推理。我们讨论的理论和目前MCMC-chase,蒙特卡罗方法在实践中使用软Vadministration。我们将我们的框架应用于解决数据管理和工业问题,并在Vadtron系统中进行了实验评估。逻辑程序设计理论与实践(TPLP)
2022-10-01 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
On the Relation between Kappa Calculus and Probabilistic Reasoning
Rockwell Science Center(罗克韦尔科学中心)
我们研究了kappa演算和概率推理在诊断应用中的联系。具体来说,我们抽象的概率信念网络诊断故障到一个Kappa网络,并比较使用这两种方法计算的故障的顺序。我们表明,至少对于检查的例子,故障的顺序一致,只要考虑到所有的因果关系在原来的概率网络。我们还提供了一个正式的分析,一些网络结构,这两种方法将不同。Kappa等级和无穷小概率都被广泛用于研究缺省推理和信念修正。但是,在利用上述联系方面却做得很少。这部分是因为kappa和概率演算之间的关系假设概率任意接近于1(或0)。本文中的实验研究这种关系时,这个假设不满足。报告的结果有重要的影响,使用Kappa排名,以提高知识工程的不确定性模型。
2013-02-27 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
Reasoning about Independence in Probabilistic Models of Relational Data
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
我们扩展的d-分离理论的情况下,数据实例是不独立和同分布的。我们表明,直接应用规则的d-分离的概率模型的关系数据的结构不准确地推断出条件独立。我们介绍了关系d-分离,从关系模型推导条件独立事实的理论。我们提供了一个新的表示,抽象的地面图,使一个健全的,完整的,计算效率高的方法回答d-分离查询关系模型,我们提出的实证结果表明,有效性。
2014-01-06 cs.AI
plingo: A system for probabilistic reasoning in clingo based on lpmln
University of Potsdam(波茨坦大学);Potassco Solutions(Potassco解决方案公司);Tampere University(坦佩雷大学)
本文提出基于 LP^MLN 的概率推理系统 plingo,扩展 clingo 以支持 LP^MLN、P-log 和 ProbLog 三种前端,并通过现代 ASP 技术与最优性顺序枚举近似方法实现高效概率推理。
2024-10-22 cs.AI
Structured Factored Inference: A Framework for Automated Reasoning in Probabilistic Programming Languages
Charles River Analytics(查尔斯河分析公司);MIT(麻省理工学院)
在大型复杂的世界模型上进行推理是一项计算困难的任务,但这是有效使用许多AI应用程序所必需的。已经开发了大量的推理算法,它们在特定模型上或仅在一般模型的一部分上工作良好。因此,非常需要一种能够智能地将这些推理算法应用于模型的不同部分以进行快速推理的系统。我们引入了一个新的框架,称为结构化因子推理(SFI),提供了这样一个系统的基础。使用以概率程序设计语言编码的模型,SFI提供了一种合理的方法来将模型分解为子模型,对每个子模型应用推理算法,并组合得到的信息来回答查询。我们的研究结果表明,SFI几乎是准确的精确推理,但保留了近似推理方法的好处。
2016-06-10 cs.AI
Nested Reasoning About Autonomous Agents Using Probabilistic Programs
Northeastern University(东北大学);Brigham Young University(杨百翰大学)
随着自主智能体变得越来越普遍,它们最终将不得不对其他智能体的计划进行推理,这被称为心理理论推理。我们开发了一个规划推理框架,在该框架中,代理执行嵌套模拟,以在线方式推理其他代理的行为。作为这个框架的一个具体应用,我们使用概率程序来模拟一个高不确定性的追求-逃避游戏的变种,其中一个代理必须对其他代理的计划进行推断,以制定反计划。我们的概率程序结合了各种复杂的原语,如视野计算和路径规划,这使我们能够模拟准现实的情况下,在计算上听话的方式。我们进行了广泛的实验评估,建立了各种合理的行为,并量化如何分配计算嵌套的层次影响我们的估计方差。
2020-03-04 cs.AI
Reasoning with Probabilistic Logics
University of Ferrara(费拉拉大学)
在过去的几年里,将概率与逻辑结合起来建模世界的兴趣迅速增加。分布语义学是一种有效的方法,它被许多逻辑程序设计语言和描述逻辑所采用。在本文中,我们说明了我们在这一研究领域所做的工作,提出了一个概率语义的描述逻辑和推理和学习算法。特别是,我们详细介绍了系统TRILL P,它计算的概率查询w.r.t.概率知识库,这已经在Prolog中实现。注意事项:论文的扩展摘要/完整版本,将在第30届逻辑编程国际会议(ICLP 2014)的博士联盟上发表,7月19日至22日,维也纳,奥地利
2015-01-29 cs.AI
Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning
Shanghai Institute of AI Education, East China Normal University, Shanghai, 200241, China(上海人工智能教育研究院,华东师范大学,上海,200241,中国);Shool of Computer Sicence and Technology, East China Normal University, Shanghai, 200241, China(计算机科学与技术学院,华东师范大学,上海,200241,中国)
本文提出PLKT框架,通过概率嵌入和逻辑推理提高知识追踪的可解释性,实验显示其在预测准确性和可解释性上均优于现有方法。
2026-05-10 cs.AI
Efficient Paths and Dense Rewards: Probabilistic Flow Reasoning for Large Language Models
Meituan(美团);Tsinghua University(清华大学);Peking University(北京大学);Dalian University of Technology(大连理工大学)
CoT-Flow通过概率流框架提升大语言模型的推理效率与性能,采用流引导解码和流强化学习方法实现信息高效推理路径和密集奖励函数。
2026-01-14 cs.AI
Aligning Probabilistic Beliefs under Informative Missingness: LLM Steerability in Clinical Reasoning
Department of Biomedical Informatics(生物医学信息学系)
本文研究LLM能否利用信息性缺失进行预测推理,通过分析三种提示方法发现,尽管结构引导和上下文学习可提升概率对齐,但需精心干预才能利用信息性缺失。
2026-03-18 cs.AI
An Inequality Paradigm for Probabilistic Knowledge
我们提出了一个不等式的概率推理的基础上的逻辑上的条件概率的上限和下限的范例。我们研究一族概率逻辑,推广了Nilsson的工作[14]。我们开发了各种逻辑概念的概率推理,包括健全性,完整性的理由;和收敛:减少一个理论到一个更简单的逻辑类。我们认为,一个绑定视图是特别有用的概率知识表示的语义描述和描述概率推理和更新的中间状态。我们表明,证据的Dempster-Shafer理论是正式相同的一个特殊情况下,我们的广义概率逻辑。因此,我们的范式结合了贝叶斯“基于规则”的方法和公开的非贝叶斯“证据”的方法,如MYCIN和DempsterShafer。我们建议如何整合这两个“学校”,并探讨了一些可能性,为新的综合各种想法的概率推理。
2013-03-27 cs.AI
Probabilistic Similarity Logic
University of Maryland(马里兰大学)
许多机器学习应用程序都需要从嘈杂的多关系数据中学习和推理的能力。为了解决这个问题,已经开发了几种有效的表示方法,它们既提供了用于表达域的结构性的语言,又提供了对概率推理的原则性支持。然而,除了这两个方面之外,许多应用程序还涉及第三个方面,即需要对相似性进行推理,而现有的框架并不直接支持这一点。本文介绍了概率相似性逻辑(PSL),一个通用的框架,联合推理的相似性在关系领域,结合概率推理的相似性和关系结构的原则性的方式。PSL可以集成任何现有的领域特定的相似性措施,也支持推理的实体集之间的相似性。我们为PSL提供了有效的推理和学习技术,并在常见的关系任务和需要推理相似性的设置中证明了其有效性。
2012-03-15 cs.AI
Probabilistic Causal Reasoning
Brown University(布朗大学)
预测未来是决策的重要组成部分。然而,在大多数情况下,没有足够的信息来做出准确的预测。在本文中,我们发展了一个理论的因果推理预测推理下的不确定性。我们强调一种常见的预测类型,它涉及对持久性的推理:一个命题一旦为真,是否在以后的某个时间仍然为真。我们提供了一个决策过程与多项式时间算法,用于确定一组事件和初始条件的可能后果的概率。简单的概率论与时间投影的集成,使我们能够规避问题,非单调的时间推理计划在处理持久性。本文中的想法已经实现了一个原型系统,细化的因果规则的数据库中的过程中,应用这些规则来构建和执行计划,在制造领域。
2013-03-27 cs.AI
Probabilistic Assumption-Based Reasoning
University of Fribourg(弗里堡大学)
经典的命题推理为基础的模型进行了扩展,将概率的假设。然后将其置于证据理论的框架中。拉斯基、莱纳(1989)和普罗万(1990)等几位作者已经提出了类似的观点,但第一篇论文并没有太多地关注数学基础,而普罗万的论文则发展到了一个不同的方向。在这里,我们彻底发展和目前的数学基础,这一理论,连同计算方法改编自赖特,德Kleer(1987)和井上(1992)。最后,最近提出的技术计算度的支持。
2013-03-06 cs.AI
Uncertainty Reasoning for Probabilistic Petri Nets via Bayesian Networks
University of Duisburg-Essen(杜伊斯堡-埃森大学);University of Leicester(莱斯特大学)
本文利用扩展贝叶斯网络的不确定性推理Petri网,发射的过渡是概率。特别地,贝叶斯网络被用作概率分布的符号表示,对观察者关于网络中令牌的知识进行建模。观察者可以通过监测成功和失败的步骤来研究网络。贝叶斯网的更新机制是通过放松一些限制,导致模块化贝叶斯网,可以方便地表示和修改。对于每一个符号表示,问题是如何从模块化贝叶斯网络中获得信息-在这种情况下是边际概率分布。我们展示了如何做到这一点,通过推广已知的变量消除方法。以疾病传播(SIR模型)和社交网络中的信息扩散为例,说明了该方法的有效性。我们已经实现了我们的方法,并提供了运行时的结果。
2020-09-30 cs.AI
The Relevance of Proofs of the Rationality of Probability Theory to Automated Reasoning and Cognitive Models
New York University(纽约大学)
一些著名的定理,如Cox定理和de Finetti定理。证明任何满足特定“合理性”条件的不确定信息推理模型都必须满足概率论公理。我在这里认为,这些定理本身并不证明概率模型实际上适合于自动推理中的任何特定任务,或者对于认知模型来说是合理的。首先,这些定理只证明存在某种概率模型;它们没有证明存在一个有用的概率模型,即一个具有可追踪的少量数值参数和大量独立假设的模型。其次,对于给定的情况,通常有许多不同的概率模型,其中许多模型在通常意义上可能比违反概率论公理的模型更加不合理。我用两个归纳任务的扩展例子来说明这第二点,这两个任务具有相似的结构,其中合理的概率模型非常不同。
2013-10-04 cs.AI
Probabilistic Results on the Architecture of Mathematical Reasoning Aligned by Cognitive Alternation
Peking University(北京大学)
该研究设想可求解数学问题的机器,将定量推理系统拆分为思维与认知过程两部分,并给出该架构的概率性描述。
2023-08-17 cs.AI math.PR
Probabilistic Reasoning About Ship Images
JAYCOR(JAYCOR公司)
当前专家系统技术最重要的方面之一是对新证据的影响进行因果推理的能力。当领域知识和问题知识是不确定的和不完全的贝叶斯推理已被证明是一种有效的方式形成这样的推理[3,4,8]。虽然已经开发了几个推理方案的基础上贝叶斯规则,有很少的工作研究这些计划在实际应用中的比较有效性。本文描述了一个基于知识的船舶分类系统[1],该系统最初是用PROSPECTOR更新方法[2]开发的,现在已被重新实现以使用Pearl和Kim [4,5]开发的推理程序。我们讨论了我们的原因,使这一变化,新的推理引擎的实施,和比较性能的两个版本的系统。
2013-03-27 cs.AI
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
Towards Developing Ethical Reasoners: Integrating Probabilistic Reasoning and Decision-Making for Complex AI Systems
The University of Edinburgh(爱丁堡大学)
针对现有AI伦理框架适应性不足的问题,提出一个结合中间表示、概率推理和知识表示的元级伦理推理框架,支持个体与多智能体决策,并给出定理基础,以构建稳健可靠的伦理AI系统。
2025-02-28 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 Reasoning across the Causal Hierarchy
Stanford University(斯坦福大学)
我们提出了一个形式化的三层因果层次的关联,干预和反事实作为一系列的概率逻辑语言。我们的语言是严格增加的表现力,第一个能够表达定量概率推理-包括条件独立性和贝叶斯推理-第二个编码做演算推理的因果关系,第三个捕获一个完全表达做演算任意反事实查询。我们给出了相应的一系列有限公理化完成的结构因果模型和概率程序,并证明了满足性和有效性的每种语言是在多项式空间中可判定的。
2021-06-02 cs.AI cs.LO
Syntax-based Default Reasoning as Probabilistic Model-based Diagnosis
IRIT(图卢兹信息研究所);Universite Paul Sabatier(保尔·萨巴蒂埃大学(图卢兹第三大学))
我们认为基于语法的方法默认推理作为一个基于模型的诊断问题,其中每个源给出的一条信息被认为是一个组件。它在ATMS框架中形式化(每个源对应一个假设)。我们假设所有的源都是独立的,并且以非常小的概率“失败”。这导致了对候选集的概率分配,或者等价地对一致环境集的概率分配。这种概率分配导致了一个Dempster-Shafer信念函数,它测量了一个命题可以从证据中推导出来的概率。这个信念函数可以用几种不同的方式来定义一个非单调的后果关系。我们研究和比较这些后果关系。优先知识库的情况下被简要考虑。
2013-02-27 cs.AI
Learning and Reasoning for Robot Dialog and Navigation Tasks
USTC(中国科学技术大学);SUNY Binghamton(纽约州立大学宾汉姆顿分校);UT Austin(德克萨斯大学奥斯汀分校)
强化学习和概率推理算法分别针对交互经验和概率上下文知识进行学习和推理。在这项研究中,我们开发了机器人任务完成算法,同时寻找强化学习和概率推理技术的互补优势。机器人从试错经验中学习,以增强其声明性知识库,并且增强的知识可用于加速潜在不同任务的学习过程。我们已经实施和评估的算法,使用移动机器人进行对话和导航任务。从结果中,我们看到,我们的机器人的性能可以通过与人类知识的推理和学习任务完成的经验来提高。更有趣的是,机器人能够从导航任务中学习,以改进其对话策略。
2020-08-31 cs.AI