From Qualitative to Quantitative Probabilistic Networks
Utrecht University（乌得勒支大学）
众所周知，量化是构建概率网络的主要障碍，特别是在依赖人类专家的情况下。定性概率网络的构建已经被提出作为网络量化的初始步骤，因为定性网络可以用来获得对投影网络推理行为的初步了解。我们扩展了这个想法，并提出了一种新的类型的网络中，既指定的符号和数字，我们进一步提出了相关的概率推理算法。在这些半定性网络的基础上，可以逐步量化和研究概率网络。因此，可以在量化过程的早期阶段发现和修正模型的不足之处。
2012-12-12 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
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
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
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
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
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
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
Selected Qualitative Spatio-temporal Calculi Developed for Constraint Reasoning: A Review
Stanford University（斯坦福大学）
在这篇文章中，一些定性的时空知识表示技术的约束推理社区内人工智能的发展进行审查。目的是向可能利用这些代表的任何其他有关团体提供广泛的接触机会。作者有一个特别的兴趣在应用这些演算（广义上）在拓扑数据分析，因为这些计划是高度定性的性质。
2018-12-03 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
Bilateral Spatial Reasoning about Street Networks: Graph-based RAG with Qualitative Spatial Representations
本文提出一种基于图的RAG方法，利用定性空间表示提升LLM在行人导航中的路线指引能力。
2025-12-17 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
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
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
Efficient Methods for Qualitative Spatial Reasoning
在RCC 8框架下，定性空间推理的理论特性得到了广泛的分析。然而，尚未进行实证研究。我们的实验表明，用于定性时间推理的算法的自适应可以解决大的RCC 8实例，即使它们是在相变区域-只要一个使用的RCC 8已被我们确定的最大听话的子集。特别是，我们证明了正交组合的探试法是成功地解决了几乎所有显然很难的情况下，在相变区达到一定的规模在合理的时间。
2011-06-03 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
An Evaluation of ChatGPT-4's Qualitative Spatial Reasoning Capabilities in RCC-8
University of Leeds（利兹大学）；The Alan Turing Institute（阿兰·图灵研究所）
本文评估 ChatGPT-4 在 RCC-8 部分拓扑演算上的经典定性空间推理能力，以检验大型语言模型相关能力主张。
2023-09-27 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
Relation Variables in Qualitative Spatial Reasoning
我们研究的替代流行的方法来建模定性空间推理（QSR）问题的约束满足问题。在标准方法中，对象之间的关系是约束，而在替代方法中，它是变量。关系变量方法大大简化了QSR的集成和实现。为了证实这一点，我们讨论了几个QSR算法从文献中的关系变量的方法减少到习惯的约束传播算法执行广义弧一致性。
2006-08-03 cs.AI
A Generalised Approach for Encoding and Reasoning with Qualitative Theories in Answer Set Programming
University of Huddersfield（哈德斯菲尔德大学）；University of Calabria（卡拉布里亚大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出了一种基于答案集编程的通用方法，用于处理需要结合定性与非定性推理的问题，并通过实验验证了其有效性。
2020-08-04 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
Qualitative Reasoning about Relative Direction on Adjustable Levels of Granularity
University of Bremen（不来梅大学）；DFKI GmbH（德国人工智能研究中心）；University of Maine（缅因大学）
定性空间推理中的一个重要问题是相对方向的表示。在本文中，我们提出了简单的几何规则，使推理定向点之间的相对方向。这个框架，定向点代数OPRA_m，具有可扩展的粒度m。我们提出了一个计算OPRA_m复合表的简单算法，并证明了它的正确性.使用组合表，一组OPRA语句的代数闭包足以解决空间导航任务。事实证明，可伸缩的粒度在这些导航任务中是有用的。
2010-10-30 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
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
Enrichment of Qualitative Beliefs for Reasoning under Uncertainty
Huazhong Univ of Sci. and Tech.（华中科技大学）；University of New Mexico（新墨西哥大学）；ONERA（法国航空航天研究院）
本文论述了丰富的定性信念功能下的不确定性推理和组合信息表示的自然语言通过语言标签。在这项工作中，两种可能的丰富（定量和/或定性）的语言标签被认为是和运营商（加法，乘法，除法等）处理他们提出和解释。我们将它们表示为$qe$ -算子，$qe$代表“定性富集”算子。这些算子可以看作是最近在DSmT中提出的经典定性算子（$q$ -算子）的直接推广。$q$ -算子也在本文中进行了详细的证明。语言标记的数量富集是$[0,\infty)$中的一个数值支持度，而语言标记的质量富集是在一个有限的有序语言值集合中取值。定量富集不如定性富集精确，但预计更接近人类专家在表达具有支持度的语言标签时可以轻松提供的内容。给出了两个简单的例子来说明如何融合的定性丰富的信念分配。
2007-09-11 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
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
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
