A possibilistic handling of partially ordered information
CRIL - CNRS（法国国家科学研究中心计算机科学、信息与交互实验室）；Universite de Toulon et du Var（土伦大学）
在一个标准的可能性逻辑，优先信息编码的加权知识库。本文提出了一种扩展的可能性逻辑处理偏序信息。我们证明了标准可能性逻辑的所有基本概念（归纳、句法和语义推理等）都是可证的。在处理偏序信息时有自然的对应关系。我们还提出了一个算法，计算偏序知识库的偏序知识库的可能性结论。
2012-10-19 cs.AI
Encoding Markov Logic Networks in Possibilistic Logic
Cardiff University（卡迪夫大学）；KU Leuven（鲁汶大学）
马尔可夫逻辑使用加权公式对可能世界上的概率分布进行压缩编码。尽管使用了逻辑公式，但马尔可夫逻辑网络（MLN）可能很难解释，因为它们的权重通常是反直觉的。为了解决这个问题，我们提出了一种方法来构建一个可能性逻辑理论，准确地捕捉到什么可以从一个给定的MLN使用最大后验（MAP）推理。不幸的是，这个理论的规模一般是指数级的。因此，我们还提出了两种方法，可以推导出紧凑的理论，仍然捕捉MAP推理，但仅适用于特定类型的证据。这些理论可以被用来，除其他外，明确隐藏的假设下的MLN或解释它的预测。
2015-06-08 cs.AI
A Principled Analysis of Merging Operations in Possibilistic Logic
Institut de Recherche en Informatique de Toulouse (I.R.I.T.)-C.N.R.S. Universite Paul Sabatier（图卢兹计算机科学研究所（IRIT）-法国国家科学研究中心（CNRS）保罗·萨巴蒂埃大学）
可能性逻辑提供了一个定性的框架，用于表示与优先级的不确定性水平相关的信息。在此背景下，多源信息的融合进行了讨论。不同类别的合并运营商被认为是包括合取，析取，加固，自适应和平均运营商。然后，我们建议根据公设来分析这些类。这是通过首先将合并经典基的假设扩展到优先级可用的情况来完成的。
2013-01-16 cs.AI
Induction of Interpretable Possibilistic Logic Theories from Relational Data
Cardiff University（卡迪夫大学）；KU Leuven（鲁汶大学）
统计关系学习（Statistical Relational Learning，SRL）是一个从关系数据中学习概率模型的领域。学习的SRL模型通常使用某种加权逻辑公式来表示，这使得它们比通过例如神经网络获得的模型更可解释。然而，在实践中，这些模型通常仍然难以正确解释，因为它们可能包含许多以非平凡方式相互作用的公式，并且权重并不总是具有直观的含义。为了解决这个问题，我们提出了一个新的SRL方法，使用可能性逻辑编码关系模型。学习模型本质上是分层的经典理论，它明确地编码了在给定的确定性水平下可以导出的东西。与马尔可夫逻辑网络（MLN）相比，我们的方法更快，并产生更多的可解释的模型。
2017-05-19 cs.AI
A Complete Calculus for Possibilistic Logic Programming with Fuzzy Propositional Variables
Universitat de Lleida (UdL)（莱里达大学）；CSIC（西班牙国家研究委员会）
本文提出了一种用于可能性不确定性推理和表示模糊知识的命题逻辑程序设计语言。公式由对（A，c）表示，其中A是多值命题，c是单位区间[0，1]中的值，它表示关于A的信念在必要性测度方面的下界。信念状态的所有多值解释的集合上的可能性分布建模。在这个框架中，（i）定义了一般不确定性逻辑的语法和语义，（ii）给出了Horn-规则子语言的一个前件式演算，并证明了它对于确定模糊命题变量从公式集合中导出的最大可能性信念度是完备的;最后，（iii）我们展示了如何计算模糊命题变量之间的部分匹配，在必要性措施的模糊集，可以包括在我们的逻辑编程系统。
2013-01-16 cs.AI
Probabilistic Description Logics
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心 (DFKI)）
一方面，经典的术语知识表示排除了处理不确定的概念描述的可能性，“通常为真”的概念属性、广义量词或例外。另一方面，处理一般不确定性的纯数值方法无法考虑术语知识。本文介绍了语言ACP，这是一个概率扩展的术语逻辑，旨在缩小差距，这两个领域的研究。我们提出了语言ALUP的形式语义，并介绍了概率的形式主义，是基于类的概率，并实现了通过概率约束。除了推断隐含存在的概率关系，约束保证术语和概率的一致性。总而言之，新语言ALUP适用于必须处理术语描述和不确定性的领域。
2013-02-27 cs.AI
Inductive Learning for Possibilistic Logic Programs Under Stable Models
Multi-dimensional data perception and intelligent recognition Chongqing Engineering Research Center, Chongqing University of Arts and Sciences, Chongqing, 402160, China（重庆艺术科技大学智能识别多维数据感知工程研究中心）；College of Computer Science and Technology, Guizhou University, Guiyang, 550025, China（贵州大学计算机科学与技术学院）；State Key Laboratory of Public Big Data（公共大数据国家重点实验室）；Key Laboratory of Advanced Medical Imaging（先进医学影像重点实验室）；Institute for Artificial Intelligence, Guizhou University, Guiyang, 550025, China（贵州大学人工智能研究所）；School of Information and Communication Technology, Griffith University, QLD 4111, Australia（格里菲斯大学信息与通信技术学院）
本文提出了一种基于稳定模型的可能逻辑程序归纳学习方法，通过定义归纳任务并设计算法，实现了从背景程序和示例中提取可能逻辑程序的功能。
2025-10-08 cs.AI
Merging Knowledge Bases in Possibilistic Logic by Lexicographic Aggregation
Southeast University（东南大学）；Guangdong University of Foreign Studies（广东外语外贸大学）
信念融合是人工智能中的一个重要而又困难的问题，特别是在信息源充满不确定性的情况下。可能性逻辑是一种处理不一致性和不确定性的加权逻辑，许多合并算子被提出来处理这个问题。他们往往导致一个可能性的知识库，这是一组加权公式。虽然可能性逻辑是不一致容忍的，但它受到众所周知的“溺水效应”的影响。因此，我们可能仍然希望获得一致的可能性知识库作为合并的结果。在这种情况下，我们认为，它并不总是有必要保持加权信息合并后。本文定义了一个合并算子，它利用字典序将一组可能性知识库和一个表示完整性约束的公式映射到一个经典知识库。我们证明它满足9个命题，这些命题推广了文[11]中命题归并的基本假设.这些假设在某种意义上抓住了最小变化原则。然后，我们提供了一个算法，用于生成合并运算符的知识库。最后，讨论了该合并算子与命题合并算子的相容性，证明了该合并算子在命题情况下优于现有语义合并算子的优点.
2012-03-15 cs.AI
Semantics for Possibilistic Disjunctive Programs
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Universidad de las Américas - Puebla（普埃布拉美洲大学）
本文定义了一种用于不确定、不完全和不一致信息建模的可能性析取逻辑规划方法。该方法引入了可能性选言分句的使用，它能够同时捕获知识库的不完整信息和不完整状态。将可能性逻辑程序看作是一种可能性逻辑理论，定义了一种基于回答集和可能性逻辑证明理论的可能性逻辑程序设计语义的构造方法.它表明，这种可能性语义的析取逻辑程序可以表征为一个不动点算子。它还表明，建议的可能性语义可以计算的决议算法和考虑最佳反驳从可能性逻辑理论。为了管理不一致的可能性逻辑程序，定义了不一致可能性模型间的偏好准则，并采用割集方法恢复不一致可能性知识库的一致性.该方法是在一个医疗场景中说明。
2011-06-03 cs.AI cs.LO cs.PL
Modal Logics for Qualitative Possibility and Beliefs
University of British Columbia（不列颠哥伦比亚大学）
可能性逻辑是一种用于不确定性推理的数值形式。有兴趣发展定性帐户的可能性，以及解释之间的关系的可能性和模态逻辑。我们提出了两个模态逻辑，可以用来表示和原因的定性陈述的可能性和必要性。在这个模态框架内，我们能够识别可能性逻辑，信念和条件之间的有趣关系。特别是，最自然的条件定义通过可能性的手段默认推理是相同的珍珠的条件的电子语义。
2013-03-13 cs.AI
Automated Reasoning Using Possibilistic Logic: Semantics, Belief Revision and Variable Certainty Weights
Universite Paul Sabatier（保尔·萨巴蒂埃大学）
本文提出了一种基于可能性逻辑的不确定性自动推理方法，为此，我们处理条款加权的程度是一个下界的必要性或可能性措施，根据性质的不确定性。两种归结规则用于处理不同的情况，反驳方法可以推广。此外，下界被允许是变量的函数在子句中，这给假设推理能力。我们的方法和最小化异常的想法之间的关系进行了简要的讨论。在只涉及必要性测度下界的情况下，提出了一种语义，证明了扩展归结原理的完备性。此外，从一个部分不一致的知识库推导可以在这种方法中管理，并显示出某种形式的非单调性。
2013-03-27 cs.AI
Inference with Possibilistic Evidence
University of California（加利福尼亚大学）
本文在无限论域上提出了可能性证据的概念，它既是一种可能性分布，也是一种证据体。在保持概念相容性和概率逻辑一致性的统一推理框架下，研究了可能性证据推理。
2013-03-06 cs.AI
Using arguments for making decisions: A possibilistic logic approach
IRIT - UPS（图卢兹计算机科学研究所 - 保罗·萨巴捷大学）
人类目前使用论据来解释已经做出的选择，或者评估潜在的选择。每个潜在的选择通常都有各种优势的利弊。尽管在决策过程中的参数的有用性，有几个正式的建议处理这个想法，如果我们除了福克斯和帕森斯和博内和格夫纳的作品。在本文中，我们提出了一个可能性的逻辑框架，参数是建立在一个不确定的知识基础和一组优先目标。所提出的方法可以计算两种决策，区分悲观和乐观的态度。当可用的，也许是不确定的，知识是一致的，以及一组优先目标（必须尽可能实现），用于评估决策的方法的基础上的参数同意的可能性理论为基础的方法，决策下的不确定性。利用它的关系与正式的方法，可废止的论证，建议的框架可以推广的情况下，部分不一致的知识，或目标基地。
2012-07-11 cs.AI
An Algebraic Semantics for Possibilistic Logic
University of Padova（帕多瓦大学）
本文的第一个贡献是提出了一个类似Pavelka的可能性逻辑公式，其中语言自然地被两个表示否定的连接词（eg）和一种新型的连接词（otimes）所丰富。这个逻辑的真值空间是可能性函数的格，从代数的角度来看，它形成了一个量子。第二个贡献来自于对新连词的理解，它是来自不同来源的信息标记的组合，这使得我们的语言“动态”。给出了一个Gentzen演算，证明了它在给定的语义下是完备的。真值函数的问题在此背景下进行了讨论。
2013-02-20 cs.AI cs.LO
A Modal Logic for Possibilistic Reasoning with Fuzzy Formal Contexts
Institute of Information Science, Academia Sinica（学术院信息科学研究所）
本文提出了一种用于模糊形式背景的可能性推理的双类型加权模态逻辑，实现了对模糊概念的扩展，并展示了逻辑的表达能力和扩展可能性。
2025-12-31 cs.AI cs.LO
A Logic of Graded Possibility and Certainty Coping with Partial Inconsistency
Institut de Recherche en Informatique de Toulouse (I.R.I.T.)（图卢兹计算机科学研究所）；Universite Paul Sabatier（保尔·萨巴蒂埃大学）
一个语义给出了可能性逻辑，一个逻辑，处理加权经典逻辑公式，并在那里的权重被解释为下界程度的确定性或可能性，在这个意义上的扎德的可能性理论。建议的语义是基于模糊集的解释。它容忍部分不一致。可满足性从解释扩展到解释的模糊集，每个模糊集代表一个描述已知世界状态的可能性分布。将可能性知识库看作是满足它的可能性分布的集合，并证明了基于广义归结原理的可能性逻辑自动推理的反驳方法对于所提出的语义（包括部分不一致的情况）是可靠和完备的.
2013-03-20 cs.AI cs.LO
On Modal Logics for Qualitative Possibility in a Fuzzy Setting
Spanish Council for Scientific Research (CSIC)（西班牙国家研究委员会）
在不确定性建模的可能性方法中，本文提出了一种模态逻辑系统来推理模糊命题的可能性（和必要性）的定性（比较）陈述。我们把这种定性模态逻辑与著名的知识和信念模态逻辑S5和KD 45的多值类似物MVS5和MVKD 45分别联系起来。完整性结果得到这样的逻辑，因此，他们扩展了以前现有的结果定性可能性逻辑在经典的非模糊设置。
2013-02-27 cs.AI cs.LO
The PITA System: Tabling and Answer Subsumption for Reasoning under Uncertainty
University of Ferrara（费拉拉大学）；Universidade Nova de Lisboa（新里斯本大学）
许多现实世界的领域需要表示的不确定性的措施。最常见的这种表示是概率，概率与逻辑程序的结合产生了概率逻辑编程（PLP）领域，导致了诸如独立选择逻辑、带有注释析取的逻辑程序（LPAD）、Problog、PRISM等语言。这些语言共享类似的分布语义，并且已经设计了在这些语言之间翻译程序的方法。计算对这些通用PLP程序的查询的概率的复杂性非常高，这是由于需要组合可能不是排他性的解释的概率。作为一种替代方案，PRISM系统通过限制它可以评估的程序的形式来降低查询回答的复杂性。作为一种完全不同的替代方案，可能性逻辑程序采用比概率更简单的不确定性度量。这些方法中的每一种--一般PLP、限制PLP和可能性逻辑编程--都可以在不同的领域中使用，这取决于要表示的不确定性的形式、建模问题所需的程序的形式以及要解决的问题的规模。在本文中，我们将展示如何PITA系统，它最初支持的LPAD的通用PLP语言，也可以有效地支持受限PLP和可能性逻辑程序。PITA依赖于带有答案包容的制表，由转换和与答案包容接口的库函数API组成。
2011-07-24 cs.AI cs.LO cs.PL
Simplified Kripke semantics for K45-like Godel modal logics and its axiomatic extensions
FCEyN - UBA（布宜诺斯艾利斯大学理学院与自然科学院）；University of Bern（伯尔尼大学）；IIIA - CSIC（西班牙国家研究委员会人工智能研究所）
本文给出了经典模态逻辑K45的多值Godel对应逻辑K45（G）的简化语义。更确切地说，我们把K_（45）（G）刻画为可能性Godel Kripke框架类<W，π>的有效公式集，其中W是世界的非空集，π：W \to [0，1]是W上的可能性分布.
2021-05-13 cs.AI math.LO
Characterizing and Extending Answer Set Semantics using Possibility Theory
Universiteit Gent（根特大学）；Cardiff University（卡迪夫大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
答案集编程（ASP）是一个流行的框架建模组合问题。然而，ASP不能很容易地用于推理不确定的信息。可能性ASP（Possibilistic ASP，PASP）是ASP的一种扩展，它结合了可能性逻辑和ASP.在PASP中，权重与每个规则相关联，其中该权重被解释为当已知主体保持时可以建立结论的确定性。因此，它允许我们以直观的方式对不确定信息进行建模和推理。在本文中，我们提出了新的语义PASP，其中规则被解释为可能性分布的约束。这些约束的特殊模型，然后确定为可能性的答案集。此外，由于ASP是一个特殊的情况下，PASP中的所有规则是完全确定的，我们得到了一个新的表征ASP的可能性分布的约束。这使我们能够发现一种新的析取形式，称为弱析取，以前没有在文献中考虑过。除了介绍和激发弱析取的语义，我们还指出其计算复杂性。特别是，虽然大多数推理任务的复杂性符合标准的析取ASP，我们发现，勇敢的推理弱析取程序更容易。
2013-11-30 cs.AI cs.LO
Type-elimination-based reasoning for the description logic SHIQbs using decision diagrams and disjunctive datalog
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；University of Oxford（牛津大学）；Wright State University（莱特州立大学）
我们提出了一种新的，类型消除为基础的方法推理的描述逻辑SHIQBS包括DL安全的规则。为此，我们首先建立了一个知识编译方法转换成一个有序的二叉决策图（OBDD），它代表了一个典型的模型的ALCIb知识库的术语部分。这个OBDD可以反过来被转换成析取数据集，并与知识库的断言部分合并，以执行组合推理。为了充分利用我们的技术SHIQbs，我们提供了一个逐步减少从SHIQbs ALCIb，保持可满足性和蕴涵的积极和消极的地面事实。所提出的技术被证明是最坏情况下的最优w.r.t.组合和数据复杂性，并容易承认扩展与地面合取查询。
2012-02-23 cs.AI cs.LO math.LO
TAPO-Structured Description Logic for Information Behavior: Procedural and Oracle-Based Extensions
Takao Inoué（独立研究者）
TAPO-结构描述逻辑通过整合过程动态、Oracle推理和sheaf语义，提供了一个分析交互、不确定性和情境性信息行为的正式框架。
2026-02-19 cs.AI cs.LO
