Lookahead Diffusion Probabilistic Models for Refining Mean Estimation
University of Technology Sydney（悉尼科技大学）；NTT Communication Science Laboratories（NTT通信科学实验室）；Victoria University of Wellington（惠灵顿维多利亚大学）
提出 LA-DPM，利用相邻时间步 DNN 输出的相关性进行外推，以改进 DPM 反向过程的均值估计，并可免微调集成到多种采样器中显著降低 FID。
2023-04-22 cs.AI cs.LG
Propositional and Relational Bayesian Networks Associated with Imprecise and Qualitative Probabilistic Assesments
Universidade Estadual de Ponta Grossa（蓬塔格罗萨州立大学）
本文研究了一种表示语言的灵活性启发的概率逻辑和紧凑性启发的关系贝叶斯网络。我们的目标是处理命题和一阶结构与精确，不精确，不确定和定性概率评估。本文展示了如何通过信用网络理论来实现这一点。新的精确和近似推理算法的基础上多线性规划和迭代/循环传播的区间概率，其优越的性能，相比现有的，经验表明。
2012-07-11 cs.AI
Enhancing QPNs for Trade-off Resolution
Utrecht University（乌得勒支大学）
定性概率网络是贝叶斯信念网络的定性抽象。这些定性网络的主要缺点之一是其粗糙的细节水平，这可能导致在推理过程中无法解决的权衡。我们提出了一个增强的形式主义定性网络的细节层次更精细。增强型定性概率网络与常规定性网络的不同之处在于，它区分了强影响和弱影响。增强的定性概率网络本质上是纯定性的，就像常规的定性网络一样，但允许在推理过程中有效地解决权衡。
2013-01-23 cs.AI
An Experimental Comparison of Numerical and Qualitative Probabilistic Reasoning
Institute for Decision Systems Research（决策系统研究所）；Stanford University（斯坦福大学）
定性和无穷小概率方案与概率论的公理一致，但避免了对精确数值概率的需要。使用定性概率可以大大减少知识工程的工作量，提高结果的鲁棒性。我们实验研究如何以及无穷小的概率（kappa演算的Goldszeland和珍珠）执行诊断任务-故障排除的汽车，将无法启动与传统的数值信念网络比较。我们发现，在识别真正的故障的无穷小方案是一样好的数值方案。无穷小方案的性能显着的先验故障概率大于0.03。这些结果表明，无穷小概率方法可能是具有很大的实用价值的机器诊断与小的先验故障概率。
2013-02-27 cs.AI
Belief Updating and Learning in Semi-Qualitative Probabilistic Networks
本文探讨了结合数值和定性信息的半定性概率网络（SQPN）。我们首先证明了SQPN的精确推理是NPPP完全的。然后，我们表明，现有的SQPN（加上概率逻辑和不精确的评估）的定性关系，可以有效地处理通过多线性规划。然后我们讨论学习：我们考虑一种最大似然方法，它在给定SQPN和经验数据的情况下产生点估计，我们描述了一种贝叶斯思想的方法，它采用不精确狄利克雷模型来产生集值估计。
2012-07-04 cs.AI stat.ML
Deep Probabilistic Programming Languages: A Qualitative Study
IBM Research（IBM研究公司/IBM研究（注：IBM Research通常译为IBM研究，属于企业研究机构，按要求提取到公司级别））
深度概率程序设计语言试图将深度学习的优势与概率程序设计语言的优势结合起来。如果成功，这将是机器学习和程序设计语言的一大步。不幸的是，到目前为止，这种新的语言很难使用和理解。本文通过解释深度概率程序设计语言直接解决了这个问题，并通过描述其当前的优势和劣势间接解决了这个问题。
2018-04-17 cs.AI cs.PL
RankPL: A Qualitative Probabilistic Programming Language
University of Luxembourg（卢森堡大学）
在本文中，我们介绍RankPL，建模语言，可以被认为是一个定性的概率程序设计语言的语义的基础上Spohn的排名理论的变体。一般来说，RankPL可以用来表示和推理那些表现出不确定性的过程，这些不确定性可以通过区分“正常”和“令人惊讶”的事件来表达。RankPL允许（迭代）修改替代程序状态的排名，并支持各种类型的推理，包括溯因推理和因果推理。我们提出的语言，它的指称语义，和一些实际的例子。我们还讨论了可供下载的RankPL的实现。
2017-05-19 cs.AI cs.PL
Pivotal Pruning of Trade-offs in QPNs
Utrecht University（乌得勒支大学）；University of Liverpool（利物浦大学）
定性概率网络已经被设计用于以定性的方式进行概率推理。由于其粗糙的表示细节水平，定性概率网络不提供解决权衡，并且通常在推理时产生模糊的结果。我们提出了一个算法，计算更有见地的结果，未解决的权衡。该算法基于使用枢轴放大权衡并识别有助于解决这些问题的信息的想法。
2013-01-16 cs.AI
A note on incorrect inferences in non-binary qualitative probabilistic networks
Dipartimento di Matematica, Università degli Studi di Genova（热那亚大学数学系）
本文指出非二元定性概率网络因错误的对称性假设会产生数学上不成立的推断，并通过示例说明问题、探讨可能的修正途径。
2024-01-25 cs.AI math.ST stat.ME
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
Using Qualitative Relationships for Bounding Probability Distributions
University of Michigan（密歇根大学）
我们利用定性的概率关系的变量计算边界的条件概率分布的兴趣在贝叶斯网络。使用定性关系的符号，我们可以实现保证将兴趣分布约束在期望方向上的抽象操作。通过评估增量改进的近似网络，我们的算法得到单调收紧的界限，收敛到精确的分布。对于超模效用函数，紧缩界也单调地减少了可容许决策方案的集合。
2013-01-30 cs.AI
Qualitative Possibilistic Mixed-Observable MDPs
IRIT – Paul Sabatier University（IRIT - 图卢兹第三大学（保罗·萨巴蒂埃大学））；Onera – The French Aerospace Lab（法国国家航空航天研究中心）
可能性和定性POMDP（pi-POMDP）是POMDP的对应物，用于模拟由于缺乏过去的经验或数据汇集不足而导致代理的初始信念或观察概率不精确的情况。然而，像概率POMDPs，最佳解决pi-POMDPs是棘手的：有限的信念状态空间指数增长与系统的状态数。在本文中，一个可能性版本的混合可观测MDP的解决这个问题：解决pi-POMDP的复杂性，其中一些状态变量是完全可观测的，然后可以显着降低。一个值迭代算法，这个新的配方下无限地平线提出和最优性的返回策略（指定的标准）示出假设存在一个“停留”的行动在一些目标状态。实验工作最后表明，这种可能性模型优于概率POMDPs通常用于机器人技术中，对于目标识别问题，代理的意见是不精确的。
2013-09-26 cs.AI
A Symbolic Approach to Reasoning with Linguistic Quantifiers
Institut de Recherche en Informatique de Toulouse（图卢兹计算机科学研究所）；Institut d'Investigacio en Intelligencia Artificial（人工智能研究所）；C.N.R.S.（法国国家科学研究中心）；Universite Paul Sabatier（保尔·萨巴蒂埃大学）；CEAB-CSIC（高级研究中心-西班牙国家研究委员会）
本文研究了概率逻辑中概率用语言量词表示时进行自动推理的可能性。每一个语言术语都被表示为一个规定的比例区间。然后，而不是传播的数字，定性的条款传播根据这些条款的数值解释。在这种情况下，量化的三段论，建模的概率规则链，研究。它表明，定性对应的这种三段论是有意义的，是相对独立的阈值定义的语言有意义的间隔，只要这些阈值仍然符合直觉。推理能力低于一个成熟的概率conquaint传播设备，但更好地对应于什么可以被认为是常识概率推理。
2013-03-13 cs.AI
On reasoning in networks with qualitative uncertainty
Queen Mary and Westfield College（玛丽女王与韦斯特菲尔德学院）；Imperial Cancer Research Fund（帝国癌症研究基金）
本文提出了一种新的方法，定性推理下的不确定性的一些初步工作。该方法不仅适用于定性概率推理，是与其他方法的情况下，但也允许基于可能性理论和Dempster-Shafer证据理论的值的网络内的定性传播。该方法适用于两个简单的网络，从其中一个大类的有向图可以构造。这种分析的结果被用来比较三个主要的定量不确定性处理形式主义的定性行为，并证明定性整合的形式主义是可能的，在某些假设条件下。
2013-03-06 cs.AI
Solving Probabilistic Verification Problems of Neural Networks using Branch and Bound
Department of Computer and Information Science, University of Konstanz, Konstanz, Baden-Würtemberg, Germany（计算机与信息科学系，康斯坦茨大学，康斯坦茨，巴登-符腾堡，德国）
提出基于界限传播和分支定界的算法解决神经网络概率验证问题，显著缩短求解时间并保证可靠性与完备性。
2025-07-10 cs.AI cs.LG
An Architecture for Probabilistic Concept-Based Information Retrieval
Advanced Decision Systems（高级决策系统公司）
虽然用于信息检索的基于概念的方法可以提供比更传统的技术更好的性能，但是它们需要大量的努力来获取概念以及它们的定性和定量关系。本文讨论了一种基于概率概念的信息检索体系结构，它解决了知识获取问题。该体系结构利用概率网络技术来表示和推理概念，并包括一个知识获取组件，该组件部分地自动化从数据构建概念知识库。我们描述了两个实验，适用于从路透社新闻服务的一组文件中检索有关恐怖主义的文件的任务的架构。实验结果表明，该体系结构设计是可行的，基于概念的方法具有一定的优势。
2013-03-27 cs.AI
A Structured, Probabilistic Representation of Action
Stanford University（斯坦福大学）
当智能体在现实世界中设计执行计划时，他们面临两种重要形式的不确定性：他们永远无法完全了解世界的状态，并且他们没有完全的控制权，因为他们的行动的效果是不确定的。虽然大多数经典的规划方法避免明确的不确定性推理，我们认为，不确定性应该明确表示和推理。我们开发了一个概率表示的状态和行动，基于信念网络。我们定义了条件信念网（CBN），以捕捉一个动作对世界状态的影响的概率依赖性。我们还使用CBN来表示环境中实体之间的内在关系，这些关系在状态之间持续存在。我们提出了一个简单的投影算法来构建一个行动的后续状态的信念网络，使用环境CBN模型来推断间接影响。我们讨论了如何定性方面的信念网络和CBN使他们适合的各个阶段的问题解决过程中，从模型构建规划算法的设计。
2013-02-27 cs.AI
Elicitation of Probabilities for Belief Networks: Combining Qualitative and Quantitative Information
University of Pittsburgh（匹兹堡大学）；Utrecht University（乌得勒支大学）
虽然信念网络在不确定性推理中的有用性被广泛接受，但获得它们所需的数值概率仍然被认为是一个主要障碍。通常没有足够的统计数据来进行可靠的概率估计。可用信息可能不直接适合在网络中编码。最后，领域专家可能不愿意提供数值概率。在本文中，我们提出了一种方法，从一个领域的专家，是非侵入性的，并容纳任何概率信息的专家愿意国家的概率启发。我们表示所有可用的信息，无论是定性或定量的性质，在一个规范的形式组成的（中）等式表示约束的超空间可能的联合概率分布。然后，我们使用这个标准形式来推导出所需概率的二阶概率分布。
2013-02-20 cs.AI
Combining Probabilistic, Causal, and Normative Reasoning in CP-logic
KU Leuven – University of Leuven（鲁汶大学）
近年来，对实际因果关系的一个适当的正式定义的探索--即，在具体的观察中所体现的因果关系，而不是一般的因果关系，已经达到了令人印象深刻的程度。在某种程度上，这是由于洞察力，这一概念在许多不同的领域，如法律理论，工程，医学，伦理学等，由于这种多样性的应用，一些研究人员已经从一个单一的理想化的定义转移到一个更务实的，基于上下文的帐户的焦点起着根本性的作用。例如，Halpern和Hitchcock最近的工作借鉴了关于人们因果判断的实证研究，提出了一个分级和上下文敏感的因果关系概念。虽然我们赞同他们的许多观察，但他们仅限于定性排序，在更复杂的例子中会遇到麻烦。因此，我们的目标是改进他们的方法，通过使用CP逻辑（因果概率逻辑）的形式语言，以及由当前作者使用它开发的定义实际因果关系的框架。首先，我们将他们的想法重新表述为我们的定量，概率设置，之后，我们修改它以适应更大类的例子。此外，我们介绍了统计和规范的考虑之间的正式区别。
2015-03-03 cs.AI
Preferential Structures for Comparative Probabilistic Reasoning
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
对不确定性进行推理的定性和定量方法可能会导致不同的逻辑系统来形式化这种推理，即使表达不确定性的语言是相同的。在关于相对似然性的推理的情况下，使用$φ\succsimψ$形式的陈述来表达$φ$至少与$ψ$一样可能，使用预定优先结构的标准定性方法产生与使用概率度量的定量方法截然不同的逻辑系统。事实上，标准的偏好方法验证了从概率的角度来看是不正确的推理原则。然而，在本文中，我们表明，一个自然的修改优惠的方法产生完全相同的逻辑系统作为一个概率的方法-不使用单一的概率措施，而是一套概率措施。因此，在非单调逻辑和信念修正的研究中使用的相同的优先结构可以用于基于不精确概率的比较概率推理的研究。
2021-04-06 cs.AI cs.LO math.LO
Forecasting Sleep Apnea with Dynamic Network Models
Stanford University School of Medicine（斯坦福大学医学院）；Rockwell Palo Alto Laboratory（罗克韦尔帕洛阿尔托实验室）
动态网络模型（DNM）是用于时间推理的信念网络。DNM方法结合了时间序列分析和概率推理的技术，以提供（1）集成非同期和同期依赖关系的知识表示和（2）响应于外部影响的影响而迭代地改进这些依赖关系的方法。我们使用的信念网络推理算法进行预测，控制和离散事件模拟DNM。信度网络的制定使我们能够超越传统的假设，线性的时间相关变量之间的关系和正常的概率分布。我们展示了DNM方法在医学中的一个重要的预测问题。最后，我们讨论的方法如何解决传统的时间序列分析中发现的几个局限性。
2013-03-06 cs.AI
Vibe to Code: Elucidating Strategic Oscillation of Tacit Knowledge in Generative AI Design Workflows -- An Exploratory Qualitative Study
Japan Advanced Institute of Science and Technology (JAIST)（北陆先端科学技术大学院大学）；Sumitomo Mitsui Finance and Leasing Co., Ltd.（三井住友融资租赁有限公司）
研究生成式人工智能工具下设计意图的形成，通过五位设计师设计着陆页英雄板块的过程，以词汇粒度为视角，发现设计师存在词汇振荡，不匹配促使其反思，还定位了人工智能及模糊性的作用。
2026-08-14 cs.AI cs.HC
Probabilistic Temporal Reasoning with Endogenous Change
University of Washington（华盛顿大学）
本文提出了一个概率模型推理系统的状态，因为它随着时间的推移而变化，由于外源性和内源性的影响。我们的目标领域是一类医学预测问题，既不那么紧迫，以排除仔细的诊断，也不进展缓慢，允许任意的测试和治疗方案。在这些领域，通常有足够的时间来收集有关患者状态的信息，并考虑替代诊断和治疗，但也必须考虑测试，治疗和疾病过程之间的时间相互作用。我们的方法是从一个人类专家那里引出一个病人的定性结构模型-该模型识别重要的属性，外源性变化影响属性值的方式，以及病人的病情内源性变化的方式。然后，我们引出概率信息，以捕捉专家的不确定性的测试和治疗的效果和内源性状态变化的性质和时间。本文描述了在治疗车辆事故创伤的问题的背景下，该模型，并提出了一种方法来解决模型的基础上的序贯插补技术。这项工作的一个补充目标是理解和综合一个不同的收集研究工作都使用的名称？概率时间推理本文分析了相关的工作，并指出我们提出的模型和文献中的其他方法的本质区别。
2013-02-20 cs.AI
Tractable Probabilistic Graph Representation Learning with Graph-Induced Sum-Product Networks
NEC Laboratories Europe（欧洲NEC实验室）；University of Stuttgart（斯图加特大学）
提出图诱导和积网络（GSPNs），通过构建层次化SPNs实现可处理概率查询的图表示学习，在稀缺监督与缺失数据场景下展现出竞争力。
2024-02-16 cs.AI cs.LG
T-CPDL: A Temporal Causal Probabilistic Description Logic for Developing Logic-RAG Agent
University of Derby（德比大学）
本文提出时序因果概率描述逻辑T-CPDL，扩展传统描述逻辑以处理时间、因果和概率推理，实验证明其显著提升语言模型推理准确性与可解释性，并为Logic-RAG框架奠定基础。
2025-06-23 cs.AI cs.LO
Mixed Logical and Probabilistic Reasoning for Planning and Explanation Generation in Robotics
The University of Auckland（奥克兰大学）
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。
2015-08-01 cs.AI cs.LO cs.RO
A Comparative Evaluation of Approximate Probabilistic Simulation and Deep Neural Networks as Accounts of Human Physical Scene Understanding
Massachusetts Institute of Technology（麻省理工学院）；Google Research（谷歌研究院）
人类在复杂的场景中表现出非凡的预测物理事件的能力。最近提出了两类用于物理场景理解的模型：“直观物理引擎”或IPE，其允许人们通过在本质上类似于视频游戏物理引擎的因果心理模型中运行近似概率模拟来做出预测，以及基于记忆的模型，其基于对先前遇到的场景和物理结果的存储经验的类比来做出判断。后者的版本最近已经在卷积神经网络（CNN）架构中实例化。在这里，我们报告了四个实验，据我们所知，这是基于模拟和基于CNN的模型的第一次严格比较，其中两种方法都在算法中具体实例化，这些算法可以在原始图像输入上运行，并作为输出产生物理判断，例如一堆块是否会掉落。这两种方法都可以达到超人的准确度，并且可以在类似程度上定量预测人类的判断，但只有基于模拟的模型才能以人们的方式推广到新的情况，并且在定性上与人们表现出的系统感知错觉和判断不对称性相一致。
2016-10-04 cs.AI cs.CV q-bio.NC
