The Rational and Computational Scope of Probabilistic Rule-Based Expert Systems
University of Pennsylvania（宾夕法尼亚大学）
人工智能中的信念更新方案可以被视为三维语言，由语法（例如概率或确定性因子）、演算（例如贝叶斯或CF组合规则）和语义（即竞争形式主义的认知解释）组成。本文从句法和演算的角度研究了这些语言的合理范围。特别是，本文提出了一个自同态定理，突出了CF演算中隐含的条件独立性假设所施加的限制。该定理的CF和贝叶斯语言之间的关系和Dempster-Shafer证据理论的影响。最后，本文讨论了一些基于规则的知识工程在不确定领域的影响。
2013-03-27 cs.AI
Bounded Situation Calculus Action Theories
Sapienza Università di Roma（罗马第一大学）；York University（约克大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
本文研究了情境演算中的有界作用理论。有界作用理论是这样一种理论，它要求在每一种情况下，流的扩展中的对象元组的数量由给定的常数限制，尽管这种扩展在无限多的情况下通常是不同的。我们认为，这样的理论在应用中是常见的，要么是因为事实不会无限期地持续下去，要么是因为代理人最终忘记了一些事实，因为新的学习。我们讨论各类有界作用理论。然后，我们证明了验证一个强大的一阶变种的μ演算是可判定的，这样的理论。值得注意的是，这种变体支持跨情况的受控形式的量化。我们还表明，通过验证，我们实际上可以检查是否任意行动理论保持有界性。
2015-09-07 cs.AI
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
Online Learning Probabilistic Event Calculus Theories in Answer Set Programming
University of Piraeus（比雷埃夫斯大学）
复杂事件识别（CER）系统使用预定义的事件模式检测流时间戳输入中的事件发生。基于逻辑的方法在CER中特别有趣，因为通过统计关系AI，它们将不确定性弹性推理与时间和变化结合起来，与机器学习结合起来，从而减轻了手动事件模式创作的成本。我们提出了一个系统的基础上回答集编程（ASP），能够与复杂的事件模式的概率推理的加权规则的形式在事件演算，其结构和权重在线学习。我们比较我们的ASP为基础的实现与马尔可夫逻辑为基础的一个和一些国家的最先进的批量学习算法CER数据集的活动识别，海上监视和船队管理。我们的研究结果表明，我们的新方法的优越性，无论是在效率和预测性能。这篇论文正在考虑发表在《逻辑程序设计理论与实践》（TPLP）上。
2021-03-31 cs.AI cs.LG
An Application of a Runtime Epistemic Probabilistic Event Calculus to Decision-making in e-Health Systems
University of Verona（维罗纳大学）；University of Naples Federico II（那不勒斯费德里科二世大学）
我们提出并讨论了一个运行时架构，集成了感官数据和分类器与基于逻辑的决策系统的背景下，电子健康系统的儿童神经运动障碍的康复。在该应用中，儿童以游戏的形式执行康复任务。该系统的主要目的是导出一组参数，该参数是儿童的认知和行为表现的当前水平（例如，参与、注意力、任务准确性）从可用的传感器和分类器（例如，眼睛跟踪器、运动传感器、情感识别技术）并相应地做出决定。这些决定通常旨在通过在孩子注意力低下时触发适当的重新参与刺激来提高孩子的表现，通过改变游戏或当孩子对任务失去兴趣时使其变得更加困难，因为它太容易了。除了最先进的技术，情绪识别和头部姿态估计，我们使用的概率和认知逻辑编程方言的事件演算，称为认知概率事件演算的运行时变体。特别地，该符号框架的概率组件允许与机器学习技术的自然接口。我们概述了架构及其组件，并通过一个运行的例子和实验的讨论，它的一些特点。《逻辑程序设计理论与实践》（Theory and Practice of Logic Programming，TPLP）
2022-09-26 cs.AI cs.LO
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
Belief change with noisy sensing in the situation calculus
Queen’s University Belfast（贝尔法斯特女王大学）
情境演算在人工智能中被广泛应用于对动态系统中的行为和变化进行建模和推理。由于Agent的行为会引起Agent信念的不断变化，如何管理这些变化是一个非常重要的问题。Shapiro等人[22]是考虑这个问题的研究之一。然而，在这个框架中，没有考虑在现实世界的应用中经常出现的噪声感测的问题。因此，在这个框架中，嘈杂的感知行动将导致代理面临不一致的情况，随后代理不能继续前进。在本文中，我们探讨如何嘈杂的感知行动可以处理迭代信念变化的情况演算形式主义。我们扩展了[22]中提出的框架，具有管理噪声感知的能力。我们证明了一个代理仍然可以检测到的实际情况时，嘈杂的传感动作与准确的传感动作的比例是有限的。我们证明了当所有感知动作都是准确的时，我们的框架包含了[22]中的迭代信念改变策略。此外，我们证明了我们的框架可以充分处理信念内省，错误信念，信念修正和信念更新，即使有噪声感知，如[22]中仅使用准确的感知动作。
2012-02-14 cs.AI
Hybrid Temporal Situation Calculus
York University（约克大学）；Sapienza Università di Roma（罗马第一大学）；Ryerson University（瑞尔森大学）
赖特的时间情境演算行动理论对连续变化的建模能力引起了人们的极大兴趣。在本文中，我们提出了一个新的发展，他的方法，这是直接启发的混合系统在控制理论。具体来说，在保持赖特的公理化的基础上，我们提出了一个优雅的扩展他的方法，增加了一个时间参数，代表连续变化的所有流畅。因此，我们确保变化不仅会因为行动而发生，而且会因为时间的推移而发生。我们提出了一个系统的方法来推导，从简单的前提，一组新的公理，指定如何连续流畅度随时间变化的情况。我们研究回归我们的新的时间基本行动理论，并证明什么推理问题可以解决。最后，我们正式表明，我们的时间基本行动理论确实捕获混合自动机。
2018-07-12 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
Towards Precision of Probabilistic Bounds Propagation
这里介绍的DUCK演算是最近的一种方法，以一种合理而有效的方式来处理概率不确定性。不确定性规则的概率和显式的条件独立性的界限，可以保持增量。基本的推理机制依赖于局部边界传播，可由具有自底向上不动点评估的演绎数据库实现。在没有精确界限的情况下，它可以在局部范围内与简单的运筹学技术相结合。特别是，我们提供了新的精确的概率蕴涵的分析界限。
2013-03-13 cs.AI
Abstracting Probabilistic Actions
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）
本文讨论了条件概率动作的抽象问题。我们确定了两种不同类型的抽象：动作内抽象和动作间抽象。我们定义了动作的抽象是正确的，然后根据这个标准推导出两种动作内抽象方法和两种动作间抽象方法。我们说明了开发的技术，通过将它们应用到行动描述的时间行动表示中使用的DRIPS决策理论的规划师，我们描述了如何使用抽象的规划，以减少规划的复杂性。
2013-02-27 cs.AI
Reformulating the Situation Calculus and the Event Calculus in the General Theory of Stable Models and in Answer Set Programming
Arizona State University（亚利桑那州立大学）
稳定模型语义下的限制和逻辑程序是两种著名的非单调形式化。前者是基于经典逻辑的动作形式主义的基础，如情境演算、事件演算和时态动作逻辑;后者是动作语言家族的基础，如语言A及其几个后代。基于对稳定模型的定义和稳定模型的语义在一类规范公式上的一致性的发现，我们重新定义了稳定模型一般理论中的情景演算和事件演算.我们还提出了一个翻译，把重新制定进一步的答案集程序，使高效的答案集求解器可以应用于计算的情况演算和事件演算。
2014-01-18 cs.AI cs.LO
Reasoning about Noisy Sensors and Effectors in the Situation Calculus
与一个不完全已知的世界交互的智能体需要能够推理其行为的影响，并且为了获得关于该世界的进一步信息，他们需要使用某种传感器。不幸的是，动作的效果和从传感器返回的信息都容易出错。为了应对这种不确定性，智能体可以保持对世界状态的概率信念。有了概率信念，智能体将能够量化其行动的各种结果的可能性，并能够更好地利用从其易出错的行动和传感器收集的信息。在本文中，我们提出了一个模型，在该模型中，我们可以推理代理的概率程度的信念和这些信念的变化方式，作为各种行动的执行。我们建立在一个一般的逻辑理论的行动开发的赖特和其他人，形式化的情况演算。我们提出了一个简单的公理化，捕捉代理的信念状态和这些信念的方式改变时，执行的行动。我们的模型显示了一些直观合理的属性。
1998-09-09 cs.AI cs.LO
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
Situation Calculus by Term Rewriting
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
一个版本的情况演算中的情况表示为一阶项。流利度可以从术语结构中计算出来，并且对情境的动作对应于对术语的重写规则。在某些情况下，仅依赖于或影响流畅度子集的动作可以被描述为对术语的子术语进行操作的重写规则。如果行动是双向的，那么有效的完成方法可以用来解决规划问题。这种情况和行动的表示与Thielscher \cite{Thielscher98}的流畅演算最相似，只是这种表示更灵活，并且更多地使用了子项结构。给出了一些例子，并提出了一些一般的方法来构造这样的重写规则集。本文于2019年12月23日提交给FSCD 2020。
2020-06-30 cs.AI cs.LO
Abstraction of Nondeterministic Situation Calculus Action Theories -- Extended Version
Ronin Institute（罗宁研究所）；University of Oxford（牛津大学）；York University（约克大学）
基于非确定性情境演算和ConGolog，提出一个通过细化映射连接抽象与具体动作理论的智能体行为抽象框架，支持策略推理与综合，并证明了抽象层面的强FOND计划可细化为具体层面的有效计划。
2023-05-20 cs.AI cs.LO
Robot Location Estimation in the Situation Calculus
University of Toronto（多伦多大学）
位置估计是机器人应用中的基本传感任务，其中世界是不确定的，并且传感器和执行器是有噪声的。大多数系统对状态变量之间的依赖关系做出各种假设，特别是关于这些依赖关系如何作为操作的结果而改变。本文基于巴克斯、哈尔彭和莱维斯克关于情境演算中置信度推理的一般框架，以及最近对连续域的扩展，我们使用一个例子说明了在存在丰富的行动理论的情况下的位置估计。我们还表明，虽然行动可能会影响先验分布在非标准的方式，适当的后验信念，但作为一个整体规范的副作用。
2014-02-28 cs.AI cs.LO
Checking Trustworthiness of Probabilistic Computations in a Typed Natural Deduction System
University of Milan（米兰大学）；University of Verona（维罗纳大学）；University of Turin（都灵大学）
本文提出概率类型化自然演绎演算TPTND，将概率计算可信性形式化为频率与预期概率距离的假设检验，定义其语义与Trust运算符，阐述结构及元理论属性，重点关注可信性保留条件。
2025-02-13 cs.AI cs.LO
Abstracting Situation Calculus Action Theories
IGDORE；University of Oxford（牛津大学）；Sapienza University of Rome（罗马第一大学）；York University（约克大学）
本文基于情境演算与ConGolog提出智能体抽象框架，通过细化映射和互模拟定义可靠/完全抽象，并给出验证条件与约束，使高层推理可细化到低层执行，同时支持对低层行为的高层跟踪与解释。
2024-10-09 cs.AI cs.LO
Logic, Probability and Action: A Situation Calculus Perspective
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）
逻辑和概率的统一是人工智能中长期关注的问题，更广泛地说，是科学哲学中的问题。从本质上讲，逻辑提供了一种简单的方法来指定必须在每个可能世界中保持的属性，概率允许我们进一步量化必须满足属性的世界的权重和比例。为此，已经进行了许多开发，最终提出了诸如概率关系模型之类的建议。虽然这一进展是值得注意的，一个通用的一阶知识表示语言的原因概率和动态，包括在连续设置，仍然是出现。在本文中，我们调查最近的结果有关集成的逻辑，概率和行动的情况演算，这可以说是最古老和最知名的形式主义之一。然后，我们探讨减少定理和编程接口的语言。这些结果是在认知机器人的背景下（正如Reiter和他的同事所设想的那样）为了具体化而产生的。总的来说，证明这种通用语言的结果的优点是，可以使它们适应任何特殊用途的片段，包括但不限于流行的概率关系模型。
2020-06-17 cs.AI cs.LG cs.LO
