A Probabilistic Extension of Action Language BC+
Arizona State University（亚利桑那州立大学）
我们提出了一个概率扩展的动作语言BC+。就像BC+被定义为描述转换系统的回答集程序的高级符号一样，我们称之为pBC+的建议语言被定义为LPMLN程序的高级符号-回答集程序的概率扩展。我们展示了如何概率推理的过渡系统，如预测，预测和规划问题，以及概率诊断的动态域，可以在pBC+建模和计算使用LPMLN的实现。
2018-08-03 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
A Probabilistic Calculus of Actions
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
我们提出了一个象征性的机器，承认一个给定的域的概率和因果关系的信息，并产生概率陈述的影响的行动和观察的影响。微积分允许两种类型的条件运算符：普通贝叶斯条件，P（y| X = x），它表示观察X = x，以及因果条件作用P（y| do（X = x）），读取通过故意动作保持X恒定（在x处）的条件下Y = y的概率。给定这样的观察和因果语句的混合物，以及因果图的拓扑结构，演算得出这两种类型的新的条件概率，从而使人们能够从部分指定的知识库中量化行动（和政策）的影响，例如贝叶斯网络，其中一些条件概率可能不可用。
2013-02-27 cs.AI
Probabilistic Search for Structured Data via Probabilistic Programming and Nonparametric Bayes
Massachusetts Institute of Technology（麻省理工学院）
数据库分布广泛，但提取相关数据可能很困难。在没有大量领域知识的情况下，多变量搜索查询通常返回稀疏或无信息的结果。提出了一种基于概率规划和非参数贝叶斯的结构化数据搜索方法。用户使用概率语言指定查询，该语言将标准SQL数据库搜索操作符与称为预测相关性的信息理论排名功能相结合。预测相关性可以通过基于来自CrossCat的后验样本的快速稀疏矩阵算法来计算，CrossCat是用于高维、异质类型数据表的非参数贝叶斯模型。其结果是一个灵活的搜索技术，适用于广泛的一类信息检索问题，我们集成到贝叶斯数据库，概率数据分析的概率编程平台。本文展示了美国大学数据库，全球公共卫生宏观经济指标和经典汽车的应用程序。我们发现，人类评估者通常更喜欢概率搜索的结果，而不是标准基线的结果。
2017-04-04 cs.AI cs.DB cs.LG
Strudel: Learning Structured-Decomposable Probabilistic Circuits
University of California Los Angeles（加州大学洛杉矶分校）
概率电路（PC）将概率分布表示为计算图。在这些图上强制执行结构属性可以保证几个推理场景变得易于处理。在这些属性中，结构化可分解性是一个特别有吸引力的属性：它可以有效和精确地计算复杂逻辑公式的概率，并可以用来推理某些预测模型在缺失数据下的预期输出。本文提出了Strudel，一个简单，快速和准确的学习算法的结构可分解的PC机。与之前学习结构化可分解PC的工作相比，Strudel在更少的迭代中提供了更准确的单个PC模型，并在构建PC集合时显着扩展学习。它通过利用PC的另一个结构属性（称为确定性）以及在混合组分之间共享相同的计算图来实现这种可扩展性。我们在标准密度估计基准和具有挑战性的推理场景中展示了这些优势。
2020-09-02 cs.AI cs.LG
Probabilistic Hybrid Action Models for Predicting Concurrent Percept-driven Robot Behavior
Aachen University of Technology（亚琛工业大学）
本文开发了概率混合动作模型（PHAM），这是一种现实的因果模型，用于预测现代感知驱动机器人计划产生的行为。PHAM代表了人工智能规划中使用的大多数动作模型无法表示的机器人行为的各个方面：连续控制过程的时间结构，它们的非确定性影响，它们的干扰的几种模式，以及闭环机器人计划中触发条件的实现。本文的主要贡献是：（1）PHAM，并发感知驱动行为的模型，其形式化，并证明该模型可能产生定性准确的预测;（2）基于概率动作模型和状态描述的抽样预测的PHAM资源有效的推理方法。我们展示了如何PHAM可以应用于规划的自主机器人办公室快递的行动过程中的分析和实验结果的基础上。
2011-09-27 cs.AI
Sound Abstraction of Probabilistic Actions in The Constraint Mass Assignment Framework
本文提供了一个正式的和实用的框架，合理的抽象概率行动。我们首先在有限时间规划（每个计划都是一个有限的行动序列）的背景下精确地定义了声音抽象的概念。接下来，我们表明，这种抽象不能在传统的概率动作表示，模型的世界与一个单一的概率分布的状态空间。然后，我们提出了约束质量分配表示，模型的世界与一组概率分布，是一个推广的质量分配表示。在这个框架内，我们提出了三种类型的动作抽象的声音抽象程序。最后，我们的讨论和相关工作的声音和近似抽象的文件。我们给指针的文件，我们讨论其他健全的抽象相关的问题，包括应用程序，估计损失由于抽象，自动生成抽象层次结构。
2013-02-13 cs.AI
Elaboration Tolerant Representation of Markov Decision Process via Decision-Theoretic Extension of Probabilistic Action Language pBC+
Arizona State University（亚利桑那州立大学）
我们扩展概率动作语言pBC+与决策理论中的效用概念。扩展的pBC+的语义可以被定义为概率答案集程序设计语言LPMLN的决策理论扩展的速记符号。或者，pBC+的语义也可以根据马尔可夫决策过程（MDP）来定义，这反过来允许以简洁和精细容忍的方式表示MDP，以及利用MDP求解器来计算pBC+。这个想法导致了系统pbcplus2mdp的设计，它可以使用MDP求解器找到pBC+动作描述的最佳策略。这篇论文是在逻辑程序设计理论与实践（TPLP）中考虑的。
2020-10-01 cs.AI
A Probabilistic Model of Action for Least-Commitment Planning with Information Gather
University of Washington（华盛顿大学）
人工智能规划算法已经解决了生成实现某些输入目标的操作符序列的问题，通常假设规划代理对世界具有完美的控制和信息。放松这些假设需要对动作表示进行扩展，允许对动作所做的更改及其提供的信息进行推理。本文提出了一种行动表示，扩展了确定性的CNOPS模型，使行动既有因果关系和信息的影响，这两者都可以是上下文相关的和嘈杂的。我们还演示了如何一个标准的最小承诺规划算法可以扩展到包括信息行动和权变执行。
2013-02-27 cs.AI
On the Expressive Power of Tree-Structured Probabilistic Circuits
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文研究树结构与 DAG 结构概率电路的表达能力差异，证明无深度限制时等价树仅需拟多项式大小，但深度受限时二者存在超多项式分离。
2024-10-24 cs.AI cs.LG
Belief Revision in Structured Probabilistic Argumentation
U.S. Military Academy（美国军事学院）；University of Oxford（牛津大学）；Universidad Nacional del Sur（南方国立大学）
在实际应用中，由特定领域的所有信息组成的知识库，以及当前的事态，必然包含来自不同来源的矛盾数据，以及带有不同程度不确定性的数据。同样，与维护知识库相关的工作的一个重要方面是决定哪些信息不再有用;信息片段（如情报报告）可能已经过时，可能来自最近发现的低质量来源，或者可能有大量证据与之相矛盾。在本文中，我们提出了一个概率结构化的论证框架，产生于扩展的假设可废止逻辑编程（PreDeLP）与概率模型，并认为这种形式主义是能够解决的基本问题，处理矛盾和不确定的数据。然后，为了解决最后一个问题，我们专注于研究概率PreDeLP程序上的非优先信念修正操作。我们提出了一套合理性假设-基于著名的经典知识库开发-的特点，这些操作应该如何表现，并研究了一类运营商的理论关系与建议的假设，包括表示定理，说明这类和一类运营商之间的等价性，其特征在于由假设。
2014-01-07 cs.AI cs.LO
Qualitative Probabilistic Networks for Planning Under Uncertainty
MIT Laboratory for Computer Science（麻省理工学院计算机科学实验室）
贝叶斯网络为关于可能性的定性断言提供了概率语义。基于这些断言的代数的定性推理器可以得出关于动作的影响的进一步结论。虽然这些结论比从完全概率分布中计算出来的结论要弱得多，但它们对于建议潜在的行动、消除明显较差的计划、识别重要的权衡和解释概率模型仍然很有价值。
2013-03-27 cs.AI
Reinforcement Learning in Partially Observable Markov Decision Processes using Hybrid Probabilistic Logic Programs
Gulf University for Science and Technology（海湾科技大学）
我们提出了一个概率逻辑编程框架，强化学习，通过集成强化学习，在POMDP环境中，与正常的混合概率逻辑程序与概率答案集语义，这是能够表示特定领域的知识。我们正式证明了我们的方法的正确性。我们证明了在我们的方法中为强化学习问题找到策略的复杂性是NP完全的。此外，我们证明了任何强化学习问题都可以编码为具有答案集语义的经典逻辑程序。我们还表明，一个强化学习问题可以编码为SAT问题。我们提出了一个新的高层次的动作描述语言，允许POMDP的因子表示。此外，我们修改了POMDP的原始模型，使它能够区分知识生产行动和行动，改变环境。
2010-11-27 cs.AI
Federated Learning with Energy-Based Structured Probabilistic Inference
提出使用条件随机场（CRF）优化联邦学习中客户端聚合权重，通过一元势和成对势建模客户端可靠性与交互，提升非IID数据下的全局模型收敛性能。
2026-10-14 cs.AI cs.LG
A Probabilistic Approach for Learning Folksonomies from Structured Data
学习结构化表示已经成为许多领域的重要问题，包括文档和Web数据采掘，生物信息学和图像分析。学习复杂结构的一种方法是整合许多较小的、不完整的和有噪声的结构片段。在这项工作中，我们提出了一个无监督的概率方法，扩展亲和传播结合成一个集成的，一致的，更大的大众分类的小本体片段。这是一项具有挑战性的任务，因为该方法必须聚合相似的结构，同时避免结构不一致和处理噪声。我们验证的方法在现实世界的社交媒体数据集，由许多个人用户指定的浅的个人层次结构，从照片共享网站Flickr收集。我们的实证结果表明，我们提出的方法是能够构建更深，更密集的结构相比，只使用标准的亲和传播算法的方法。此外，该方法产生更好的整体集成质量比一个国家的最先进的方法，基于增量关系聚类。
2010-11-16 cs.AI cs.CY cs.LG
Probabilistic Time Series Forecasting with Structured Shape and Temporal Diversity
EDF（法国电力集团）；CNAM（法国国立工艺学院）
概率预测是对未来可能结果的分布进行预测。在本文中，我们解决这个问题的非平稳时间序列，这是非常具有挑战性的，但至关重要的。我们引入了基于形状和时间特征表示结构多样性的STRIPE模型，确保了可能的预测，同时又清晰准确。STRIPE对预测模型是不可知的，我们为它配备了一个依赖于决定点过程（DPP）的多样化机制。我们引入了两个DPP内核，用于在形状和时间方面对不同的轨迹进行建模，这两个内核都是可微的，并且被证明是半正定的。为了对多样性结构进行显式控制，我们还设计了一种迭代采样机制来解开潜在空间中的形状和时间表示。在合成数据集上进行的实验表明，在保持预测模型准确性的同时，STRIPE在表示多样性方面明显优于基线方法。我们还强调了迭代抽样方案的相关性和使用不同标准来衡量质量和多样性的重要性。最后，在真实数据集上的实验表明，STRIPE能够在最佳样本预测方面优于最先进的概率预测方法。
2021-04-10 cs.AI cs.LG stat.ML
Foundations for a Probabilistic Event Calculus
University College London（伦敦大学学院）
我们提出PEC，事件演算（EC）风格的动作语言推理的概率因果关系和叙事信息。它具有类似于EC变体Modular-E的动作语言风格语法。它的语义是在可能的世界，构成可能的领域的演变，并建立在EFEC，EC的认知扩展。我们还描述了一个ASP实现PEC，并显示在这个意义上，这是健全的和完整的。
2017-06-30 cs.AI
Restructuring Tractable Probabilistic Circuits
University of California, Los Angeles（加州大学洛杉矶分校）
本文研究重构结构化概率电路以符合目标vtree，提出通用方法导出不同vtree电路相乘的多项式时间算法及保结构化可分解性的深度削减算法，为可处理推理开辟新途径。
2025-04-30 cs.AI cs.LG
Sum-Product-Set Networks: Deep Tractable Models for Tree-Structured Graphs
Artificial Intelligence Center, Czech Technical University（捷克技术大学人工智能中心）
针对现有生成式概率模型在树结构图上推断不可处理的问题，提出将概率电路扩展到树结构图数据的和积集网络，通过随机有限集实现高效精确推断，性能与多种神经网络类不可处理模型相当。
2024-08-18 cs.AI cs.LG
Theoretical Foundations for Abstraction-Based Probabilistic Planning
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）
不确定性下的世界和行为建模是决策理论规划框架中的核心问题之一。这种表示必须足够普遍，以捕捉现实世界的问题，但同时它必须提供一个基础上，理论结果可以得出。我们在这里提出的框架中的中心概念是仿射算子，它是构造概率分布（凸）集的工具，可以被认为是置信函数和区间质量分配的推广。在世界的状态的不确定性建模的概率分布集，表示为仿射树，而行动被定义为树操纵器。一个小集合的仿射算子的关键属性，形成的基础上，大多数现有的基于操作的概率动作投影和动作抽象的定义。我们推导并证明了正确的三个投影规则，生动地说明了在平面投影中的精度和复杂性的权衡。最后，我们将展示Haddawy和Doan确定的三种类型的动作抽象在本框架中的表现。
2013-02-13 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
MAGA: Multi-Platform Self-Fusion of GUI Agents via Structured Action Distillation
Ant Group（蚂蚁集团）
该研究针对GUI智能体跨平台部署受限问题，提出MAGA方法优化训练信号分配，在8B参数规模下性能优于基准模型，与教师模型表现接近。
2026-08-03 cs.AI
The Production of Probabilistic Entropy in Structure/Action Contingency Relations
Luhmann（1984）将社会定义为一个在结构上与人类行动系统耦合但不是人类行动系统的集合的通信系统。通信系统然后被认为是自组织（“自创生”），因为是人类的演员。通信系统可以用香农（1948）的通信数学理论来研究。通过局部节点的动作来更新网络是人工智能中的一个众所周知的问题（Pearl 1988）。通过结合这些不同的理论，概率结构/动作列联的一般算法可以得到。这种偶然性对每个系统的后果，其后果为他们进一步的历史，并在每一边的平衡机制的稳定进行了讨论，在数学和理论方面。一个实证的例子进行了阐述。
2010-05-05 cs.AI physics.soc-ph
Action Networks: A Framework for Reasoning about Actions and Change under Uncertainty
Rockwell Science Center（罗克韦尔科学中心）
这项工作提出了行动网络作为一个语义上有充分依据的框架推理下的行动和变化的不确定性。行动网络为概率因果网络增加了两个基本元素：可控变量和持久变量。可控变量允许将动作表示为直接设置域中特定事件的值，但要遵守前提条件。持久性变量提供了一个持久性的规范模型，根据这个模型，变量的状态和决定其值的因果机制都随着时间的推移而持续存在，除非受到动作（或其后果）的干预。行动网络还允许不同的方法来量化因果关系中的不确定性，这超出了传统的概率量化。本文介绍了最近的成果和工作进展。
2013-02-27 cs.AI
Learning CLI Agents with Structured Action Credit under Selective Observation
Fudan University（复旦大学）；Shanghai Innovation Institute（上海创新研究院）；Shanghai Jiao Tong University（上海交通大学）
本文研究了CLI代理在选择性观察和行动信用分配中的瓶颈，提出σ-Reveal和A³方法，构建ShellOps数据集以评估CLI任务学习。
2026-05-08 cs.AI
Semantic Probabilistic Layers for Neuro-Symbolic Learning
UCLA（加州大学洛杉矶分校）；University of Trento（特伦托大学）；University of Edinburgh（爱丁堡大学）
我们为结构化输出预测（SOP）设计了一个预测层，它可以插入任何神经网络，保证其预测与一组预定义的符号约束一致。我们的语义概率层（SPL）可以在结构化的输出空间上对复杂的相关性和硬约束进行建模，同时通过最大似然进行端到端学习。SPL以一种干净和模块化的方式将精确的概率推理与逻辑推理相结合，学习复杂的分布并将其支持限制在约束的解决方案上。因此，他们可以忠实地，有效地，模型复杂的SOP任务超出了替代神经符号的方法。我们的经验表明，SPL优于这些竞争对手在具有挑战性的SOP任务，包括分层多标签分类，寻路和偏好学习的准确性，同时保持完美的约束满足。
2022-06-01 cs.AI cs.LG
An Expressive Probabilistic Temporal Logic
本文认为，概率，时间和行动的综合治疗是必不可少的概率的概念的适当的逻辑帐户，并根据这种直觉，描述了一个表达概率的时间逻辑推理的行动与不确定的结果。该逻辑是模态的和高阶的：由动作注释的模态用于表达由动作产生的下一状态中的命题的可能性和必要性，并且需要高阶函数来表达概率算子。所提出的逻辑被证明是经典数学概率论的一个适当的扩展，并通过Monty Hall问题的形式化来说明其表达能力。
2017-10-08 cs.AI cs.LO
Probabilistic Conditional Preference Networks
IRIT-CNRS（法国国家科学研究中心图卢兹信息研究所）；GREYC（GREYC实验室）；Toulouse University（图卢兹大学）；Caen University（卡昂大学）
为了表示一组个体的偏好，我们引入了概率CP网（PCP网）。PCP网提供了一种紧凑的语言来表示偏好排序的概率分布。我们认为，他们是有用的聚合偏好或建模嘈杂的偏好。然后，我们给出了有效的算法的主要推理问题，即计算的概率，一个给定的结果是首选的另一个，和概率，一个给定的结果是最佳的。作为一个副产品，我们得到了一个意想不到的线性时间算法检查在一个标准的，树结构的CP-网的优势。
2013-09-26 cs.AI
Hinge-Loss Markov Random Fields and Probabilistic Soft Logic
Stanford University（斯坦福大学）；DataStax（DataStax 公司）；Virginia Tech（弗吉尼亚理工大学）；University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
开发高影响力机器学习技术的一个根本挑战是平衡对丰富结构化领域建模的需求与扩展到大数据的能力。许多重要的问题领域都是结构丰富和规模庞大的，从社会和生物网络，到知识图谱和Web，再到图像、视频和自然语言。在本文中，我们介绍了两个新的形式主义建模结构化数据，并表明他们都可以捕捉丰富的结构和规模的大数据。首先，铰链损失马尔可夫随机场（HL-MRF），是一种新的概率图形模型，推广了不同的方法凸推理。我们统一了三种方法，从随机算法，概率图形模型，和模糊逻辑社区，表明这三个导致相同的推理目标。然后，我们定义HL-MRF通过概括这个统一的目标。第二种新的形式主义，概率软逻辑（PSL），是一种概率程序设计语言，使HL-MRF易于使用基于一阶逻辑的语法定义。我们介绍了一种算法，用于推断最可能的变量分配（MAP推断），这是更可扩展的比通用凸优化方法，因为它使用消息传递，以利用稀疏依赖结构。然后，我们展示了如何学习HL-MRF的参数。学习的HL-MRF与类似的离散模型一样准确，但更具可扩展性。总之，这些算法使HL-MRF和PSL能够以以前不可能的规模对丰富的结构化数据进行建模。
2017-11-17 cs.AI cs.LG stat.ML
Structural Learning of Probabilistic Sentential Decision Diagrams under Partial Closed-World Assumption
Istituto Dalle Molle di Studi per l’Intelligenza Artificiale (IDSIA)（达莱莫勒人工智能研究所（IDSIA））
概率决策图是一类结构化可分解的概率电路，特别设计用于嵌入逻辑约束。为了适应经典的LearnSPN方案来学习这些模型的结构，我们提出了一个新的方案，基于部分封闭世界的假设：数据隐式地提供电路的逻辑基础。因此，通过递归地聚类初始数据库中的批次来学习求和节点，而变量的划分遵循给定的输入vtree。初步实验表明，所提出的方法可以适当地适应训练数据，并推广到测试数据，只要这些保持一致的底层逻辑基础，这是一个放松的训练数据基地。
2021-07-26 cs.AI
Efficient Action Robust Reinforcement Learning with Probabilistic Policy Execution Uncertainty
University of California, Davis（加州大学戴维斯分校）；Northwestern University（西北大学）
本文研究带概率策略执行不确定性的动作鲁棒强化学习问题，证明最优策略存在性并给出Bellman最优方程，提出ARRLC算法实现极小极大最优遗憾与样本复杂度，实验验证其在动作扰动下性能更优、收敛更快。
2023-07-20 cs.AI cs.LG math.OC
Diverse Policy Optimization for Structured Action Space
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Institute of AI and Robotics for Society（深圳人工智能与机器人研究院）
增强策略的多样性有利于强化学习的鲁棒性、探索性和迁移性。在本文中，我们的目标是寻求不同的政策，在一个未充分探索的设置，即RL任务与结构化的动作空间的可组合性和局部依赖性的两个属性。复杂的动作结构，不均匀的奖励景观，以及由于结构化动作的特性而引起的微妙的超参数调整，阻止了现有方法的良好扩展。我们提出了一种简单有效的强化学习方法，多样性策略优化（DPO），模型的策略在结构化的行动空间作为基于能量的模型（EBM）通过以下概率强化学习框架。最近提出的一种新颖的和强大的生成模型，GFlowNet，介绍了高效的，多样化的基于循证医学的政策采样器。DPO遵循联合优化框架：外层使用GFlowNet采样的不同策略来更新基于EBM的策略，这支持内层的GFlowNet训练。在ATSC和Battle基准测试上的实验表明，DPO可以在具有挑战性的场景中有效地发现令人惊讶的多样化策略，并大大优于现有的最先进的方法。
2023-02-23 cs.AI cs.LG
Control as Probabilistic Inference as an Emergent Communication Mechanism in Multi-Agent Reinforcement Learning
The University of Electro-Communications（电气通信大学）；Ritsumeikan University（立命馆大学）
本文提出将控制即概率推断与涌现通信结合的多智能体强化学习模型，通过潜在消息变量和Metropolis-Hasting命名博弈实现智能体间动作信息交换，并在网格世界实验中验证其能推断有意义消息以完成协作任务。
2023-07-11 cs.AI cs.LG cs.MA
Smoothing Structured Decomposable Circuits
University of California, Los Angeles（加州大学洛杉矶分校）；University of Washington（华盛顿大学）；LTCI, Télécom Paris, IP Paris（巴黎理工学院电信学院LTCI实验室）
我们研究平滑电路的任务，即，确保加门的所有子门都提到相同的变量。电路是离散概率图形模型和概率程序的最新推理算法的构建块。它们对于离散密度估计算法也是重要的。这些任务中有许多要求输入电路平滑。然而，平滑还没有研究自己的权利，只有一个平凡的二次算法是已知的。本文研究结构化可分解电路的有效平滑。我们提出了一个近线性的时间算法，这项任务，并探讨下限平滑可分解的电路，使用现有的结果范围和查询。此外，对于所有边缘的重要情况下，我们展示了一个更有效的线性时间算法。我们通过实验验证了我们的方法的性能。
2019-10-28 cs.AI cs.LG
Contextual Plackett-Luce: An Efficient Neural Model for Probabilistic Sequence Selection under Ambiguity
Mobileye
本文提出Contextual Plackett-Luce模型，结合全并行评分与轻量级自回归选择过程，提升在模糊监督下的序列选择效率与鲁棒性。
2026-05-09 cs.AI cs.LG
Dynamic Neighborhood Construction for Structured Large Discrete Action Spaces
University of Twente（特温特大学）；School of Management, Technical University of Munich（慕尼黑工业大学管理学院）；Munich Data Science Institute, Technical University of Munich（慕尼黑工业大学慕尼黑数据科学研究所）
针对强化学习中规模极大的结构化大型离散动作空间（SLDAS），提出动态邻域构造（DNC）范式及可扩展邻域探索启发式方法，在高达$10^{73}$个动作的空间中高效探索连续代理动作的离散邻域，计算效率更高且性能优于现有方法。
2024-02-27 cs.AI cs.LG
Action-Slot: Structured Action-Centric Representation Learning for Multi-Agent Atomic Activity Understanding
本文提出Action-Slot框架，通过类别对齐动作槽、并行时空更新和背景正则化实现多智能体原子活动的结构化分解，并引入注意力差异伪掩码选择实现弱监督定位，在多个数据集上取得最优性能。
2026-09-22 cs.AI cs.CV
Graph Neural Networks Intersect Probabilistic Graphical Models: A Survey
McGill University（麦吉尔大学）；Mila（米拉）；Shandong Agricultural University（山东农业大学）；BAAI（北京智源人工智能研究院）
图是表示关系数据的强大数据结构，并且广泛用于描述复杂的现实世界数据结构。概率图形模型（PGMs）在过去几年中已经得到了很好的发展，可以在变量分布的紧凑图形表示中对现实世界的场景进行数学建模。图神经网络是近年来发展起来的一种新的推理方法，由于其在解决图结构数据的推理和学习问题上的有效性和灵活性而受到越来越多的关注。这两种强大的方法在从观察中捕获关系以及如何进行消息传递方面具有不同的优势，并且它们可以在各种任务中相互受益。在这项调查中，我们广泛地研究了GNN和PGM的交叉点。具体来说，我们首先讨论了GNN如何从学习PGM中的结构化表示中受益，通过PGM生成可解释的预测，以及PGM如何推断对象关系。然后，我们讨论如何在PGM中实现GNN，以实现更有效的推理和结构学习。最后，我们总结了最近研究中使用的基准数据集，并讨论了有前途的未来方向。
2023-01-30 cs.AI cs.LG
Hidden Tree Markov Networks: Deep and Wide Learning for Structured Data
Università di Pisa（比萨大学）
本文介绍了隐树马尔可夫网络（HTN），神经概率混合融合的生成模型的表示能力与神经网络的增量和判别式学习能力的树木。我们提出了一种模块化架构，在该架构中，训练复杂度有限的多个生成模型来学习结构特征检测器，然后在稍后阶段将其输出组合并由神经层集成。在这方面，由于生成模型在输入结构上的展开，该模型既很深，又很宽，因为可以并行训练的生成模块可能很多。实验结果表明，该方法可以优于最先进的语法内核，以及生成内核建立在相同的概率模型的HTN。
2017-11-21 cs.AI cs.LG cs.NE
Dynamic Probabilistic Network Based Human Action Recognition
Computer Science and Emerging Research Lab, AU（AU 计算机科学与新兴研究实验室）；Lead IT（Lead IT 公司）；Infobahn Softworld Inc（Infobahn Softworld 公司）
本文探讨了使用动态概率网络（DPN）的人类行为识别。实验中使用了在房间中举起物体和行走、坐在房间中和中立站立姿势的动作来测试分类。该研究使用了人体（面部、身体、手臂、腿部）上各种不同感兴趣区域（ROI）之间的动态相互关系以及与这些ROI相关的基于时间序列的事件。然后，使用该动态链接来识别场景中的人类行为方面。首先，一个模型来识别在室内场景中的人类活动，这个模型是依赖于使用DPN的各种动态事件之间的关键特征和相互联系。使用DPN对子ROI进行分类，以将组合的互连与特定的人类活动相关联。将室内（受控照明条件）与室外照明条件之间的识别精度性能进行比较。在室外场景中的准确性低于受控环境。
2016-07-26 cs.AI cs.CV cs.HC
Latent Semantic Learning with Structured Sparse Representation for Human Action Recognition
Peking University（北京大学）
本文提出了一种新的潜在语义学习方法，用于从大量具有结构化稀疏表示的丰富中级特征（即视觉关键字）的词汇中提取高级特征（即潜在语义），这有助于弥合人类动作识别这一具有挑战性的任务中的语义鸿沟。为了发现中间层特征的流形结构，我们开发了一种基于L1-图的潜在语义学习的谱嵌入方法，而不需要调整作为流形学习关键步骤的图构造的任何参数。更重要的是，我们构建了L1-图的结构化稀疏表示，这可以通过结构化稀疏编码与新的L1-范数超图正则化确保其结构化稀疏性的中层功能。在新的嵌入空间中，我们通过谱聚类从丰富的中层特征中自动学习潜在语义。通过定义直方图交集核，学习的潜在语义可以很容易地用于SVM的人体动作识别。与传统的基于主题模型的潜在语义分析方法不同，本文提出的潜在语义学习方法可以在L1图构建和谱嵌入两个方面探索中间层特征的流形结构，从而得到紧凑但具有区分力的高层特征。在常用的KTH动作数据集和无约束的YouTube动作数据集上的实验结果表明了该方法的优越性能。
2011-09-23 cs.AI cs.LG cs.MM
KRAST: Knowledge-Augmented Robotic Action Recognition with Structured Text for Vision-Language Models
ETRI（韩国科学技术院）
本文提出KRAST方法，通过将结构化文本知识作为可学习提示注入冻结的视觉-语言模型，在仅用RGB视频输入的条件下于ETRI-Activity3D数据集上实现超过95%的动作识别准确率，超越现有最优方法。
2025-09-19 cs.AI cs.CV
Unified Keypoint-based Action Recognition Framework via Structured Keypoint Pooling
Konica Minolta, Inc.（柯尼卡美能达公司）
本文同时解决了与传统的基于骨架的动作识别相关的三个限制;骨架检测和跟踪错误，各种各样的目标动作，以及人明智的和帧明智的动作识别。将点云深度学习范式引入动作识别，并提出了一个统一的框架以及一种称为结构化关键点池的新型深度神经网络架构。所提出的方法基于数据结构的先验知识（这是骨架中固有的）（例如每个关键点所属的实例和帧）以级联方式稀疏地聚集关键点特征，并且实现对输入错误的鲁棒性。其约束较少且无需跟踪的架构使由人体骨架和非人类对象轮廓组成的时间序列关键点能够有效地被视为输入3D点云，并扩展了目标动作的多样性。此外，我们提出了一个池切换技巧的启发结构化关键点池。这个技巧在训练和推理阶段之间切换池化内核，以仅使用视频级动作标签的弱监督方式检测个人和帧动作。这个技巧使我们的训练方案能够自然地引入新的数据增强，它混合了从不同视频中提取的多个点云。在实验中，我们全面验证了所提出的方法的有效性，对限制，该方法优于国家的最先进的基于统计的动作识别和时空动作定位方法。
2023-03-27 cs.AI cs.CV cs.LG
A Translation of Probabilistic Event Calculus into Markov Decision Processes
University College London（伦敦大学学院）；Università del Salento（萨勒诺大学）
本文提出将概率事件演算（PEC）形式化转换为马尔可夫决策过程（MDP）的方法，通过引入动作执行情境保留PEC的灵活语义，使MDP的算法工具可应用于PEC叙事领域，并支持将学习策略映射回可解释的PEC表示。
2025-07-17 cs.AI cs.LO
KGS-GCN: Kinematics-Driven Gaussian Splatting and Probabilistic Topology for Skeleton-Based Action Recognition
提出KGS-GCN，通过运动学驱动的高斯泼溅模块将稀疏骨架序列渲染为多视角连续热图，并利用概率拓扑策略构建自适应先验邻接矩阵，以轻量级参数实现高效动作识别。
2026-07-02 cs.AI cs.CV
Anytime Probabilistically Constrained Provably Convergent Online Belief Space Planning
Technion - Israel Institute of Technology（以色列理工学院）
本文提出一种在连续域中基于MCTS的任意时刻概率约束在线信念空间规划方法，在搜索未收敛时也能保证安全，理论证明指数速率概率收敛，仿真表明其在极低树查询下仍优于基线。
2024-11-11 cs.AI cs.RO
BeliefGraph-JEPA: Structured Latent World Models for Action-Conditioned Time Series
Carnegie Mellon University（卡内基梅隆大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Stevens Institute of Technology（史蒂文斯理工学院）
针对动作条件时间序列预测，提出BeliefGraph-JEPA结构化潜在世界模型，通过类型化潜在效应状态和图路由捕捉未来驱动因素影响，在四个多目标系统上优于多种基线。
2026-10-06 cs.AI cs.LG
Connecting Surrogate Safety Measures to Crash Probablity via Causal Probabilistic Time Series Prediction
University of California, Berkeley（加州大学伯克利分校）；Safe Transportation Research and Education Center（安全交通研究与教育中心）；Institute of Transportation Studies（交通研究所）
替代安全措施可以提供快速和主动的安全分析，并通过研究未遂事故来了解预碰撞过程和碰撞失效机制。然而，通过将替代安全措施与碰撞联系起来来验证它们仍然是一个悬而未决的问题。提出了一种基于概率时间序列预测的替代安全措施与碰撞概率的关联方法。该方法利用速度、加速度和碰撞时间序列，利用Transformer掩蔽自回归流（transformer-MAF）估计这些变量的概率密度函数。自回归结构模拟了条件、行为和事故后果之间的因果关系，并利用概率密度函数计算了条件行为概率、事故概率和条件事故概率。在交通冲突情境和正常互动情境下，预测序列都是准确的，估计概率都是合理的，条件碰撞概率在反事实实验中显示了规避行为避免碰撞的有效性。
2022-10-04 cs.AI cs.LG
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
Algorithmic recourse under imperfect causal knowledge: a probabilistic approach
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Max Planck ETH Center for Learning Systems（马克斯·普朗克-ETH学习系统中心）；University of Cambridge（剑桥大学）；Saarland University（萨尔兰大学）
最近的工作讨论了反事实解释的局限性，以推荐算法追索权的行动，并认为需要考虑特征之间的因果关系。不幸的是，在实践中，真正的基础结构因果模型通常是未知的。在这项工作中，我们首先表明，这是不可能的，以保证追索权，而不进入真正的结构方程。为了解决这一限制，我们提出了两种概率方法来选择最佳行动，在有限的因果知识（例如，只有因果图）。第一个捕获加性高斯噪声下的结构方程的不确定性，并使用贝叶斯模型平均来估计反事实分布。第二个删除任何假设的结构方程，而不是计算的平均影响追索行动的个人类似的人寻求追索权，导致一种新的基于亚群的干预概念的追索权。然后，我们推导出一个基于梯度的程序，选择最佳的追索行动，并实证表明，所提出的方法导致更可靠的建议下不完善的因果知识比非概率基线。
2020-10-23 cs.AI cs.LG stat.ML
Action QFormer: Structured Representation Shaping under Action Supervision in Vision-Language-Action Models
Shanghai Qizhi Institute（上海期智研究院）；The Chinese University of Hong Kong（香港中文大学）；Hong Kong Embodied AI Lab（香港具身人工智能实验室）；Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）
研究视觉-语言-动作模型中动作监督问题，提出动作QFormer，通过基于指令的查询重组多模态信息。在零样本模拟到真实导航中提升了任务成功率、动作生成正确性等，还改变动作监督塑造多模态表示的方式，为提高VLA性能提供新思路。
2026-07-17 cs.AI cs.CV cs.RO
Reinforcement Learning with Structured Hierarchical Grammar Representations of Actions
Imperial College London（帝国理工学院）；Einstein Center for Neurosciences Berlin（柏林爱因斯坦神经科学中心）；Technical University Berlin（柏林工业大学）；MRC London Institute of Medical Sciences（英国医学研究委员会伦敦医学科学研究所）
从很小的时候起，人类就学会了使用语法原则来分层地将单词组合成句子。动作语法是一个平行的概念，即有一组潜在的规则（一种“语法”）来控制我们如何分层地组合动作以形成新的、更复杂的动作。我们引入了动作语法强化学习（AG-RL）框架，该框架利用动作语法的概念来不断提高强化学习代理的样本效率。AG-RL通过使用语法推理算法来推断训练中途代理的“动作语法”。代理的动作空间，然后增加了由语法识别的宏动作。我们将此框架应用于双深度Q学习（AG-DDQN）和Soft Actor-Critic（AG-SAC）的离散动作版本，并发现它分别在8个测试的Atari游戏中的8个（中位数+31%，最大+668%）和20个测试的Atari游戏中的19个（中位数+96%，最大+3，756%）中提高了性能，而无需实质性的超参数调整。我们还表明，AG-SAC在20个测试的Atari游戏中的17个中的样本效率方面击败了无模型的最先进水平（中位数+62%，最大值+13，140%），同样没有实质性的超参数调整。
2019-10-23 cs.AI cs.LG stat.ML
Who Sees What? Structured Thought-Action Sequences for Epistemic Reasoning in LLMs
University of Milan-Bicocca（米兰-比科卡大学）；University of Essex（埃塞克斯大学）；University of Naples Federico II（那不勒斯费德里科二世大学）；TUM School of Social Sciences and Technology（技术与社会科学学院）
针对基于LLM的智能体在视角采择任务中的挑战，本研究提出基于Fast Downward规划器解图的结构化思维-行动示例生成管道，发现其虽在部分场景有效，但需结合信念跟踪等技术才能实现稳健视角采择。
2025-08-20 cs.AI cs.CL cs.HC
Towards a Causal Probabilistic Framework for Prediction, Action-Selection & Explanations for Robot Block-Stacking Tasks
University of Oxford（牛津大学）
针对机器人积木堆叠任务，本文提出将物理仿真嵌入结构因果模型的因果概率框架，以实现状态评估、下一最优动作选择和事后反事实解释。
2023-09-29 cs.AI cs.LG cs.RO
