A geometric approach to conditioning belief functions
Oxford Brookes University（牛津布鲁克斯大学）
在应用科学中，当涉及到时间序列的推理时，条件反射是至关重要的。信念演算是一种有效的方式来处理这种推理存在的认知不确定性-不幸的是，不同的方法来调节的信念功能框架中已经提出了在过去，离开这个问题有点不确定。受几何方法的不确定性，在本文中，我们提出了一种方法的条件下的信念函数的基础上几何投影到单形与条件事件的空间中的所有信念函数。我们在这里表明，这样的几何方法来调节往往会产生简单的结果与直接的解释程度的信念。这就提出了一个问题，是否经典的方法，例如登普斯特的条件反射，也可以减少到某种形式的距离最小化在一个合适的空间。家庭的组合规则（几何）条件规则的研究似乎是自然的起诉所提出的研究。
2021-04-21 cs.AI math.PR math.ST
Adams Conditioning and Likelihood Ratio Transfer Mediated Inference
Informatics Institute, University of Amsterdam（阿姆斯特丹大学信息学研究所）
应用于法律环境中的贝叶斯推理是关于信念转移的，并且涉及多个代理和通信协议。法医专家（FE）可以首先将其相对于FE的信念状态的某个似然比的值传送给事实检验者（TOF），如FE的命题空间上的概率函数所表示的。随后，FE传达其最近获得的确认，即某个证据命题是真实的。然后TOF执行似然比转移介导的推理，从而修改自己的信念状态。可能性转移介导的推理中所涉及的逻辑原则进行了讨论的设置概率算术是在一个草甸，并与亚当斯条件放在一个中心的作用。
2019-08-16 cs.AI
Bounded Conditioning: Flexible Inference for Decisions under Scarce Resources
Knowledge Systems Laboratory（知识系统实验室）；Stanford（斯坦福大学）
我们介绍了一个优雅的方法概率推理称为有界条件。有界条件单调地细化置信网络中的后验概率的界限，并通过分配完整的资源部分来收敛于最终的感兴趣概率。该方法允许推理机交换任意数量的计算资源，以获得推理质量的增量增益。因此，有界条件作为一种有用的推理技术，在不确定和变化的推理资源的一般条件下进行推理。该算法通过将问题分解为一组相互排斥的易处理的子问题，并根据每个子问题对最终答案的预期影响对它们的解决方案进行排序，来解决复杂信念网络中的概率边界问题。我们介绍了算法，讨论了它的特点，并提出了它的性能在几个信念网络，包括一个复杂的模型推理重症监护医学的问题。
2013-03-27 cs.AI
Imagining Probabilistic Belief Change as Imaging (Technical Report)
University of Cape Town（开普敦大学）
成像是一种概率信念改变的形式，可以用于修订和更新。在本文中，我们提出了一个新的框架，概率信念变化的基础上成像，称为预期距离成像（EDI）。EDI是足够普遍的定义贝叶斯条件和其他形式的成像以前在文献中定义。我们认为，并调查如何，EDI可以用于修订和更新。EDI的定义取决于至关重要的权重函数的性质进行了研究，并分析了其对信念改变操作的影响。最后，提出了四个EDI实例，两个用于修订和两个用于更新，并提出了概率合理性假设进行分析。
2017-05-02 cs.AI
Conditioning and AGM-like belief change in the Desirability-Indifference framework
Ghent University（根特大学）；Foundations Lab for imprecise probabilities（不精确概率基础实验室）
本文在Desirability-Indifference框架中扩展AGM信念变更以处理条件化，利用抽象选项与事件概念，同时适用于经典与量子概率论。
2025-04-20 cs.AI math.PR quant-ph
A new probabilistic transformation of belief mass assignment
ONERA The French Aerospace Lab（法国航空航天实验室（ONERA））；University of New Mexico（新墨西哥大学）
在本文中，我们提出了在Dezert-Smarandache理论（DSmT）的框架，一个新的概率变换，称为DSmP，以建立一个主观的概率测度从任何基本的信念分配定义的任何模型的识别框架。给出了几个例子来展示如何DSmP变换的作品，我们比较它的主要现有的文献中提出的转换到目前为止。我们展示了DSmP在概率信息量（PIC）方面优于经典变换的优势。这种转换处理定性信念分配的直接扩展。
2008-07-23 cs.AI
Revising Incompletely Specified Convex Probabilistic Belief Bases
Centre for Artificial Intelligence Research（人工智能研究中心）；CAIR（人工智能研究中心）；University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）；CSIR Meraka（南非科学与工业研究理事会梅拉卡研究所）；University of Cape Town（开普敦大学）；University of Luxembourg（卢森堡大学）
我们提出了一种方法，当观察到一个新的命题信息时，代理修改其不完整的概率信念。在这项工作中，代理人的信念是由一组概率公式-信念基础。该方法包括确定一组代表性的“边界”概率分布与当前的信念基础一致，修改这些概率分布中的每一个，然后将修改后的信息转换成一个新的信念基础。我们使用一种版本的Lewis Imaging作为翻修手术。证明了该方法的正确性。所考虑的信念基础的表达能力是相当有限的，但有一些应用。我们还讨论了采用最佳熵的概念的信念基础的修订方法，并指出这些方法的一些好处和困难。边界分布法和最优熵法都是合理的，但得到的结果不同。
2016-04-07 cs.AI
Reformulating Inference Problems Through Selective Conditioning
Stanford University School of Medicine（斯坦福大学医学院）；Rockwell International Science Center（罗克韦尔国际科学中心）
我们描述了我们如何选择性地重新制定的信念网络的一部分，构成困难的解决方案与随机模拟算法。采用选择性条件作用方法，根据节点对随机模拟易处理性的贡献，将信度网络中的特定节点作为分解目标。我们回顾了BNRAS算法-概率推理的随机近似算法的前期工作。我们展示了如何选择性条件反射可以采用重新制定一个单一的BNRAS问题到多个易处理的BNRAS模拟问题。我们将讨论如何使用另一种模拟算法-逻辑采样-来解决推理问题的一个组成部分，该推理问题提供了一种将各个子问题的解决方案编织成最终结果的方法。最后，我们分析了权衡与选择性条件反射的方法来重新制定的计算子任务。
2013-03-13 cs.AI
Conditioning Accept-Desirability models in the context of AGM-like belief change
Ghent University（根特大学）
本文提出了一种在AGM-like信念变更框架下对接受-可欲性模型进行条件化的规则，并探讨了其在经典逻辑和完全条件概率中的适用性。
2025-12-22 cs.AI math.LO math.PR
Probabilistic Models for Agents' Beliefs and Decisions
Stanford University（斯坦福大学）
智能系统的许多应用需要对领域中代理的心理状态进行推理。我们可能想推理一个智能体的信念，包括关于其他智能体的信念;我们也可能想推理一个智能体的偏好，以及他的信念和偏好如何与他的行为相关。我们定义了一个概率认知逻辑（PEL），其中的信念语句给出了一个正式的语义，并提供了一个算法，断言和查询的PEL公式在贝叶斯网络。然后，我们将展示如何通过将代理的决策过程建模为影响图并假设他的行为是理性的来推理代理的行为。然后，PEL可以用于从代理的观察到的动作推理到关于域的其他方面的结论，包括未观察到的域变量和代理的精神状态。
2013-01-16 cs.AI
Factored Probabilistic Belief Tracking
Universidad Simón Bolívar（西蒙·玻利瓦尔大学）；ICREA（加泰罗尼亚高等研究院）；Universitat Pompeu Fabra（庞培法布拉大学）
在随机行为和观测存在下的信念跟踪问题是普遍存在的，但计算上是棘手的。然而，在这项工作中，我们表明，概率信念可以保持在因式分解的形式，准确和有效地跨越一些因果关系封闭的梁，当状态变量出现在一个以上的梁服从一种形式的向后决定论。由于计算边际的因素仍然是计算棘手的一般情况下，和变量出现在几个波束并不总是向后确定的，基本配方扩展了两个近似：形式的置信度传播计算边际的因素，和采样的非向后确定性的变量，使这些变量向后确定给定的采样历史。与Rao-Blackwellized粒子滤波不同，采样不是用于使推理易于处理，而是用于使因子分解合理。由此产生的算法涉及采样和置信传播，或者根据模型的结构仅涉及其中之一。
2019-09-26 cs.AI
Belief Revision with Uncertain Inputs in the Possibilistic Setting
Institut de Recherche en Informatique de Toulouse (IRIT) - CNRS（图卢兹计算机科学研究所（IRIT）- 法国国家科学研究中心）；Universite Paul Sabatier（保罗·萨巴蒂埃大学）
本文在可能性理论的框架下讨论了不确定输入下的信念修正问题。修正可以基于条件运算的两种可能的定义，一种基于min算子，其仅需要纯序标度，另一种基于乘积，其需要更丰富的结构，并且其是Dempster条件规则的特定情况。此外，在不确定输入下的修订可以以两种不同的方式来理解，这取决于输入是否被视为要强制执行的约束。此外，它表明，M.A.威廉姆斯的嬗变，最初定义在设置的Spohn的功能，可以捕捉在这个框架，以及Boutilier的自然修订。
2013-02-13 cs.AI
Probabilistic Conceptual Network: A Belief Representation Scheme for Utility-Based Categorization
Stanford University（斯坦福大学）
概率概念网络是一种知识表示方案，用于基于效用的分类中的概念推理和分类抽象。该方案结合了人工智能的抽象和继承层次的形式主义，和决策分析的概率网络。它提供了一个表示概念知识、层次知识和不确定性的通用框架。它促进了在不同抽象层次上动态构建分类决策模型。该计划被应用到一个自动化加工问题的推理机器的状态在不同的抽象层次，以支持行动，以保持竞争力的工厂。
2013-03-06 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
Kutato: An Entropy-Driven System for Construction of Probabilistic Expert Systems from Databases
Stanford University（斯坦福大学）
Kutterfly是一个系统，它将案例数据库作为输入，并生成一个信念网络，该网络捕获了这些数据所表示的许多依赖关系。该系统包括用于确定信任网络的熵的模块和用于基于熵计算来构建信任网络的模块。Kutato构建了一个初始信念网络，其中假设数据库中的所有变量都是边缘独立的。计算这个信念网络的熵，并添加使所得信念网络的熵最小化的弧。弧的条件概率直接从数据库获得。该过程继续，直到达到基于熵的阈值。我们已经通过使用概率逻辑抽样方法从网络生成数据库，然后使用这些数据库作为输入到Kubernetes来测试该系统。该系统始终以高保真度再现原始信念网络。
2013-03-27 cs.AI
Simulation Approaches to General Probabilistic Inference on Belief Networks
Stanford University（斯坦福大学）；Rockwell International Science Center（罗克韦尔国际科学中心）
已经开发了许多算法来解决信念网络上的概率推理问题。这些算法可以分为两个主要的组：精确的技术，利用条件的独立性时，显示的图形结构是相对稀疏的，和概率抽样技术，利用“电导”的嵌入式马尔可夫链时，条件概率有非极值。在本文中，我们研究了一个家庭的“向前”蒙特卡洛抽样技术类似于逻辑抽样[Henrion，1988]，似乎表现良好，即使在一些多连接网络的极端条件概率，因此将普遍适用。我们考虑几个增强，减少后验方差使用这种方法，并提出了一个框架和标准，选择何时使用这些增强。
2013-03-27 cs.AI
Directed Cycles in Belief Networks
The University of Melbourne（墨尔本大学）
概率推理中最困难的任务可能是处理信念网络中的有向循环。据作者所知，迄今为止，在概率推理的文献中还没有对这个问题进行认真的讨论。
2013-03-27 cs.AI
Aggregating Learned Probabilistic Beliefs
Stanford University（斯坦福大学）
我们考虑的任务聚合的信念severalexperts。我们假设这些信念被表示为概率分布。我们认为，任何aggregationtechnique的评价取决于这个任务的语义上下文。我们提出了一个框架，在这个框架中，我们假设自然界从一个“真实”的分布中生成样本，不同的专家根据他们有机会观察到的数据子集形成他们的信念。自然，理想的总分布应该是从组合样本集中得到的。这样一个配方导致一个自然的方式来衡量的准确性的聚集mechanism.We表明，著名的聚集算子LinOP是理想地适合于这项任务。我们提出了一个基于LinOP的学习算法，灵感来自贝叶斯学习技术，它聚集了专家的分布表示为贝叶斯网络。我们的初步实验表明，该算法在实际中表现良好。
2013-01-10 cs.AI
Laplace's Method Approximations for Probabilistic Inference in Belief Networks with Continuous Variables
Stanford University（斯坦福大学）；University of Sao Paulo（圣保罗大学）
拉普拉斯方法，一个家庭的渐近方法用于近似积分，提出了作为一个潜在的候选人的工具箱的技术用于知识获取和概率推理的信念网络与连续变量。在许多有趣的情况下，该技术以合理的精度近似后验矩和边缘后验分布[后验均值的误差为O（n^-2）]。该方法似乎也有前途的贝叶斯因子的计算近似的背景下使用的模型选择，模型的不确定性和混合PDF。拉普拉斯方法的实施的局限性，规律性条件和计算困难与最大似然和后验模式分析的方法相关联。
2013-02-27 cs.AI
Additive Belief-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）
概率推理固有的困难性阻碍了信度网络在大领域的应用。噪声OR门[30]和概率相似性网络[18，17]通过限制模型表达能力来避免推理的复杂性。最近的工作在信网络模型的应用时间序列分析和预测[9，10]已经引起了加性信网络模型（ABNM）。我们（1）讨论了由信度网络的加性分解所作的近似的性质和含义，（2）在可用数据稀缺时显示出更高的加性模型归纳效率，（3）推广概率推理算法以利用ABNM的加性分解，（4）显示出更高的推理效率，（5）用简单的加性信度网络比较推理结果。
2013-03-06 cs.AI
Probabilistic Belief Embedding for Knowledge Base Completion
Tsinghua University（清华大学）；University of Stirling（斯特灵大学）；New York University（纽约大学）
本文提出了一种新的嵌入模型，该模型通过同时学习实体（$h$和$t$）、关系（$r$）和关系提及中的词（$m$）的分布式表示来度量大规模知识库中每个信念$\langle h,r,t,m\rangle$的概率。它通过简单的向量操作来发现新的信念，从而促进知识的完成。给定一个不完美的信念，我们不仅可以推断出缺失的实体，预测未知的关系，而且还告诉信念的可信性，只是利用剩余证据的学习嵌入。为了证明我们的模型的可扩展性和有效性，我们在几个包含来自WordNet，Freebase和NELL的数百万个信念的大型存储库上进行实验，并将其与其他尖端方法进行比较，通过竞争实体推理，关系预测和三元组分类任务评估的性能。大量的实验结果表明，该模型优于国家的最先进的显着改善。
2015-05-22 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
Intuitions about Ordered Beliefs Leading to Probabilistic Models
Plymouth State College（普利茅斯州立学院）
一般使用主观概率模型的信念已被证明使用许多公理化计划。例如，？一致的赌博行为的论点是众所周知的。对于那些还不相信概率模型的唯一适用性和普遍性的人来说，这样的理由往往是没有说服力的。本文探讨概率模型的另一个基本原理。?定性概率，这是已知的信念表示方案提供严格的限制，来自五个简单的假设之间的关系信念。虽然熟悉的理性概念，如传递性，优势，和一致性的对应物被使用，赌博的背景下被避免。定性概率和概率本身之间的差距可以通过几个附加假设中的任何一个来弥合。这里的讨论依赖于最近人工智能文献中常见的结果，引入了第六个简单的假设。叙述强调模型的基础上独特的完整的排序，但理由很容易扩展到激励集值表示的偏序。
2013-03-13 cs.AI
Updating Probabilities in Multiply-Connected Belief Networks
Stanford University（斯坦福大学）
本文主要研究多连通信度网络中的概率更新问题。Pearl设计了调节的方法，这使我们能够通过为网络选择一个环割集并实例化这些环割集节点，将他在单连接网络中的信念更新算法应用于多连接信念网络。我们讨论所选节点需要满足的条件。我们提出了一个启发式算法找到一个循环割集，满足这些条件。
2013-03-27 cs.AI
A Combination of Cutset Conditioning with Clique-Tree Propagation in the Pathfinder System
Stanford University（斯坦福大学）
割集条件化和二叉树传播是贝叶斯信念网络中两种常用的精确概率推理方法。割集条件是基于网络节点子集的分解，而割树传播依赖于节点的聚集。我们描述了一种手段，结合割集条件和团树传播的方法称为聚合后分解（AD）。我们讨论了AD方法在Pathfinder系统中的应用，Pathfinder系统是一个医学专家系统，可为血液病理学诊断提供帮助。
2013-03-27 cs.AI
Empirical Evaluation of Approximation Algorithms for Probabilistic Decoding
University of California, Irvine（加州大学尔湾分校）
最近表明，通过噪声信道传输的解码消息的问题可以用公式表示为概率网络上的信念更新任务[McEliece]。此外，据观察，迭代应用（线性时间）珍珠的信念传播算法设计的多边形树优于最先进的解码算法，即使相应的网络可能有许多周期。本文证明了经验的近似算法approx-mpe解决最可能的解释（MPE）问题，最近提出的小桶消除框架内[Dechter 96]，优于迭代置信传播类的编码网络，有界的诱导宽度。我们的实验表明，近似MPE解码器可以很好的竞争对手的近似信念更新解码器。
2013-01-30 cs.AI
Second-Order Belief Hidden Markov Models
IRISA（法国信息与随机系统研究所）；University of Tunis（突尼斯大学）
隐马尔可夫模型（Hidden Markov Models，简称HMM）是一种用于模式识别的学习方法。基于贝叶斯模型的概率延迟是最常用的技术之一。将一阶概率Hacker引入到置信函数理论中，用质量函数代替贝叶斯概率。在本文中，我们提出了一个二阶隐马尔可夫模型的信念函数。以前的作品在信念Hynomial一直集中在一阶Hynomial。我们将其推广到二阶模型。
2015-01-22 cs.AI
Making Decisions with Belief Functions
SRI International（SRI国际公司）；Artificial Intelligence Center（人工智能中心）
不确定性推理的一个主要动机是在面对非决定性证据时得出决策。然而，谢弗的信念函数理论，它明确地表示了许多推理问题的约束不足的性质，缺乏一个正式的决策程序。显然，当没有足够的信息可用时，没有任何理论可以在不做额外假设的情况下规定行动。面对这种情况，如果要出现一个明显更优的选择，就必须做出一些假设。在本文中，我们提供了一个简单的假设，消除歧义的决策问题表示的信念函数的概率解释。我们证明，它产生的期望值相同的概率分析，使相同的假设。此外，我们展示了如何经常在概率推理中使用的决策分析方法可以扩展到使用的信念函数。
2013-03-27 cs.AI
Dynamic Construction of Belief Networks
Brown University（布朗大学）
我们描述了一种增量式构造信念网络的方法。我们已经开发了一种网络构造语言，类似于使用数据依赖关系的前向链接语言，但具有用于指定分布的附加功能。使用这种语言，我们可以定义概率模型的参数化类。这些参数化的模型使得有可能应用概率推理的问题，这是不切实际的，有一个单一的大型静态模型。
2013-03-27 cs.AI
Anytime Exact Belief Propagation
Artificial Intelligence Center（人工智能中心）；SRI International（斯坦福国际研究院）
统计关系模型和最近的概率编程，已经朝着逻辑和概率推理的集成迈进。对这个项目的一个自然期望是，当提供一个只涉及0-1概率的模型时，概率逻辑推理算法简化为逻辑推理算法，表现出逻辑推理的所有优点，如短路，可理解性，以及为查询答案提供证明树的能力。事实上，我们可以进一步要求，即使对于概率为\emph{near} 0和1的概率模型，这些特征也必须存在，随着模型变得更加不确定，这些特征也会逐渐退化。我们还寻求的推断，摊销常数时间复杂度模型的大小（即使仍然是指数的诱导宽度的一个更直接相关的部分），使它可以应用于巨大的知识库，其中只有一个相对较小的部分是相关的典型查询。我们认为，在概率推理算法中，信念传播是最类似于逻辑推理：消息在相邻变量之间传播，消息传递的路径类似于证明树。然而，置信传播要么只适用于树模型，要么近似（并且不保证）精度和收敛。在本文中，我们提出了一个随时精确的信念传播算法，是非常相似的信念传播，但即使是图形模型的周期是准确的，同时表现出软短路，摊销常数时间复杂度的模型大小，并可以提供概率证明树的进展工作。
2017-07-27 cs.AI
Tyche: A library for probabilistic reasoning and belief modelling in Python
The University of Western Australia（西澳大利亚大学）
本文介绍了Tyche，这是一个Python库，通过构建、查询和学习信念模型来促进不确定世界中的概率推理。Tyche使用任意描述逻辑（ADL），这在其评估中提供了优于其他描述逻辑的计算优势。Tyche信念模型可以通过定义个人的类别，关于他们的概率信念（概念）以及他们之间的概率关系（角色）来简洁地创建。我们还介绍了一种方法的观察传播，以促进学习复杂的ADL观察。一个示范的Tyche预测匿名消息的作者，并从匿名消息中提取作者的写作倾向，提供。Tyche有潜力帮助开发专家系统、知识提取系统和代理，以利用不完整和概率信息进行游戏。
2022-08-21 cs.AI cs.LO
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
Conditioning Probabilistic Databases
Cornell University（康奈尔大学）；Oxford University（牛津大学）
过去对概率数据库的研究主要是在静态数据库上回答查询的问题。然而，概率数据库的应用场景通常涉及使用新证据形式的附加信息来调节数据库。因此，条件问题是将先验概率数据库转换为后验概率数据库，该后验概率数据库被物化以用于后续查询处理或进一步细化。事实证明，条件问题与计算精确元组置信度值的问题密切相关。精确置信度计算是一个NP难问题。这使得研究人员考虑近似技术的置信度计算。然而，无论是条件还是精确的置信度计算都不能使用这种技术来解决。在本文中，我们提出了有效的技术，这两个问题。我们研究了几种问题分解方法和算法，它们是基于约束满足中最成功的搜索技术，如Davis-Putnam算法。我们补充这一点，提出了一个彻底的实验评估的算法。我们的实验表明，我们的精确算法可以很好地扩展到现实的数据库大小，并在某些情况下，可以与以前最有效的近似算法。
2008-06-16 cs.AI cs.DB
An Empirical Evaluation of a Randomized Algorithm for Probabilistic Inference
Stanford University School of Medicine（斯坦福大学医学院）
近年来，决策分析和人工智能领域的研究者们开始使用贝叶斯信念网络来建立专家意见模型。使用从计算复杂性理论得出的标准方法，该领域的工作者已经表明，在信念网络中的概率推理问题是困难的，几乎可以肯定是棘手的。K-NET是一个在决策论的公理框架内构造知识系统的软件环境，它包含一个概率推理的随机近似方案。在许多情况下，该算法可以在大型且相互关联的医学诊断模型中进行有效的近似推理。与先前描述的概率推理的随机算法不同，随机近似方案通过分析信度网络的结构和内容来计算运行时间的先验界。本文描述了一种用于概率推理的随机算法，并从数学上分析了它的性能。然后，我们将论文的主要部分用于讨论算法的经验行为。结果表明，良好的试验（即，试验的分布紧密匹配的真实分布），而不是众多平庸的试验的计算，占主导地位的随机模拟的性能的产生。关键词：概率推理，信度网络，随机模拟，计算复杂性理论，随机算法。
2013-03-27 cs.AI
Simplified Continuous High Dimensional Belief Space Planning with Adaptive Probabilistic Belief-dependent Constraints
Technion - Israel Institute of Technology（以色列理工学院）
部分可观测域不确定性下的在线决策，也称为信念空间规划，是机器人学和人工智能中的一个基本问题。由于未来存在大量看似合理的解释，计算最优行动方案给智能体带来了巨大的计算负担。此外，在许多情况下，例如，在信息收集中，需要引入依赖于信念的约束。基于这一需求，本文考虑了最近提出的概率信念依赖约束POMDP。我们提出了一种技术，自适应地接受或放弃一个候选动作序列的概率信念依赖的约束，扩展一个完整的未来观测样本集之前，没有任何损失的准确性。此外，使用我们提出的框架，我们贡献了一种自适应方法来找到最大可行回报（例如，信息增益）在风险价值方面的候选动作序列具有实质性的加速。最重要的是，我们引入了一个自适应简化技术的概率约束设置。这种方法可以证明返回一个相同质量的解决方案，同时大大加快在线决策。我们的通用框架适用于任何信念依赖约束连续POMDP参数信念，以及粒子表示的非参数信念。在信息理论约束的背景下，我们提出的框架随机量化，如果沿规划范围的累积信息增益是足够显着的（例如，信息收集，主动SLAM）。我们将我们的方法应用到主动SLAM，一个具有高度挑战性的高维信念空间规划问题。广泛的现实模拟证实了我们提出的想法的优越性。
2023-02-13 cs.AI cs.RO
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
Hybrid Processing of Beliefs and Constraints
University of California, Irvine（加州大学欧文分校）
本文探讨了处理概率和确定性信息时，前者表示为一个信念网络和后者作为一组布尔子句的算法。激励任务是1。评估具有大量确定性关系的信念网络; 2.评估复杂布尔查询在信任网络上的概率。我们提出了一个参数化的家庭变量消除算法，利用这两种类型的信息，并允许不同程度的约束传播推断。该方案的复杂性由图{em增广}的诱导宽度控制，由布尔约束引入的依赖关系。初步的经验评估证明了约束传播对概率计算的影响。
2013-01-10 cs.AI
Modeling Uncertainty: Constraint-Based Belief States in Imperfect-Information Games
ICTEAM, UCLouvain（ICTEAM，乌尔特拉-努夫大学）
本文研究不完全信息博弈中的信念表示，提出基于约束满足问题的方法并与信念传播概率推理对比，实验表明约束信念能以更简单方式达到与概率推理相当的决策性能。
2025-08-19 cs.AI
Compact Belief State Representation for Task Planning
Istituto Italiano di Tecnologia（意大利理工学院）；Università di Genova（热那亚大学）
概率信念状态域中的任务规划允许在受状态不确定性影响的那些域中生成复杂且鲁棒的执行策略。任务规划器的性能依赖于信念状态表示。然而，目前的信念状态表示变得容易棘手的变量和执行时间的增长。为了解决这个问题，我们开发了一种新的信念状态表示的基础上的carnival产品和联盟的信念子状态的操作。这两种操作和单变量赋值节点构成了信念状态的与或有向无环图（AOBS）。我们展示了如何应用具有概率结果的动作，并测量在信念状态下保持的条件的概率。我们在模拟前向状态空间探索中评估了AOBS的性能。我们比较了AOBS的大小与以前用来表示信念状态的二元决策图（BDD）的大小。我们表明，AOBS表示不仅是一个完整的信念状态更紧凑，但它也比BDD在大多数情况下规模更好。
2020-08-21 cs.AI
An Interpretation of Belief Functions by means of a Probabilistic Multi-modal Logic
ENSTA Bretagne（布列塔尼国立高等先进技术学院）
虽然信度函数可以被正式地看作是概率分布的推广，但信度函数和概率之间的相互作用问题在实践中仍然是一个问题。这个问题是困难的，因为这些理论的使用背景明显不同，这些理论背后的语义并不完全相同。一个日益受到社会关注的突出问题，就是对冲突信息的管理。最近的作品介绍了新的规则，处理冲突的重新分配，同时结合信念功能。冲突的概念，或其取消开放世界的假设，似乎本身就阻止了直接解释的信念函数的概率框架。本文讨论的问题的概率解释的信念功能。它首先介绍并实现了一个理论上的接地规则，这在本质上是一个自适应合取规则。它示出，如何从逻辑解释的置信函数的概率多模态逻辑，这一规则是来自;此外，引入了一个概念的源独立性，基于熵最大化的原则。
2011-09-29 cs.AI cs.LO math.LO
Circular Belief Propagation for Approximate Probabilistic Inference
Ecole Normale Supérieure（巴黎高等师范学院）；Université de Lille（里尔大学）；Iktos SA（Iktos公司）；Institut de Neurosciences de la Timone（timone神经科学研究所）
本文提出循环置信传播（CBP），通过学习检测和消除循环引起的虚假相关性和置信度放大，在二元概率图上显著优于标准置信传播，并接近先前算法的性能。
2024-03-17 cs.AI cs.LG
Compositional Semantics for Probabilistic Programs with Exact Conditioning
University of Oxford（牛津大学）
我们定义了一个概率程序设计语言的高斯随机变量与一流的精确条件构造。我们给这种语言的操作，指称和等式语义，建立方便的属性，如交换条件。连续随机变量相等的条件是非平凡的，因为精确的观察可能有概率为零;这是波莱尔悖论。使用条件概率的分类公式，我们表明，我们的语言的良好性能是不特定的高斯，但可以从普遍的属性，从而推广到更广泛的设置。我们定义的Cond建设，它内在的条件作为一个态射，提供一般的组合语义的概率编程与精确的条件。
2021-01-27 cs.AI cs.LO cs.PL
General Belief Measures
概率测量本身，被认为是不合适的建模的动力学的平原信念和他们过于强大的可测量性约束，使他们不适合一些代表性的任务，例如，在一阶知识的背景下。因此，在本文中，我们将寻找可能的替代方案和扩展。首先，我们划定了一般领域的利益，提出了一个最低限度的假设清单，以满足任何合理的准概率估值概念。在这个框架内，我们研究了两种特别有趣的准措施，没有或少得多的传统问题的影响。* 排序测度，推广了Spohn型测度和可能性测度。* 累积的措施，结合概率和排名的哲学，从而允许一个细粒度的静态和动态的信念。
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
Sensitivities: An Alternative to Conditional Probabilities for Bayesian Belief Networks
Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）
我们展示了另一种方法表示贝叶斯信念网络的灵敏度和概率分布。这种表示等价于传统的条件概率表示，但使节点之间的依赖性明显，直观上易于理解。我们还提出了一个QR矩阵表示的灵敏度和/或条件概率，这是更有效的，在内存需求和计算速度，比传统的表示基于计算机的概率推理的实现。我们使用灵敏度表明，对于某一类二进制网络，近似概率推理的计算时间与结果误差的任何正上限无关。最后，作为一种替代传统的算法，使用条件概率，我们描述了一个精确的概率推理算法，使用QR表示的敏感性和更新的概率分布的节点在网络中根据来自邻居的消息。
2013-02-20 cs.AI
Fast Belief Update Using Order-of-Magnitude Probabilities
Rockwell Science Center（罗克韦尔科学中心）
我们提出了一个算法，称为预测，更新因果网络量化的数量级概率的信念。该算法利用了网络的结构和量化，并提出了一个多项式渐近复杂性。预测表现出保守的行为，因为它总是合理的，但并不总是完整的。我们提供了充分的条件，完整性和目前的算法来测试这些条件和计算一套完整的似是而非的值。我们提出预测作为一种有效的方法来估计概率值，并说明其使用结合两个已知的概率推理算法。最后，我们描述了一个应用程序的预测计划评估，目前的实验结果，并讨论了有关其使用的问题与条件逻辑的信念，并在表征无关。
2013-02-20 cs.AI
A Probabilistic End-To-End Task-Oriented Dialog Model with Latent Belief States towards Semi-Supervised Learning
Tsinghua University（清华大学）；China Mobile Research Institute（中国移动研究院）
在面向任务的对话系统中，结构化信念状态对于用户目标跟踪和数据库查询至关重要。然而，训练信念跟踪器通常需要对每个用户话语进行昂贵的回合级别注释。在本文中，我们的目标是减轻信任状态标签在建设端到端的对话系统的依赖，利用无标签的对话数据对半监督学习。我们提出了一个概率对话模型，称为潜在的BElief状态（LABES）模型，其中的信念状态表示为离散的潜变量，并与系统响应给定用户输入联合建模。这种潜变量建模使我们能够在变分学习的原则框架下发展半监督学习。此外，我们还介绍了LABES-S2 S，这是LABES的复制增强Seq 2Seq模型实例。在监督实验中，LABES-S2 S在三个不同尺度的基准数据集上获得了很好的结果。在利用未标记的对话数据时，半监督LABES-S2 S显著优于仅监督和半监督基线。值得注意的是，我们可以将注释需求减少到50%，而不会降低MultiWOZ的性能。
2020-10-13 cs.AI cs.CL
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
Risk Aware Adaptive Belief-dependent Probabilistically Constrained Continuous POMDP Planning
Technion - Israel Institute of Technology（以色列理工学院）
虽然风险意识是一个在线操作代理的基础，但在具有挑战性的连续域和部分可观测性下，它受到的关注较少。本文提出了一种新的公式和解决方案的风险厌恶的信念依赖的概率约束连续POMDP。我们解决了一个苛刻的设置依赖于信念的奖励和约束算子。概率置信度参数使我们的公式真正规避风险，比最先进的机会约束更灵活。我们严格的分析表明，在最严格的概率置信度的情况下，我们的配方是非常接近的机会约束。然而，我们的概率公式允许更快，更准确的自适应接受或修剪的行动履行或违反约束。此外，在任意置信参数下，我们没有找到与我们的方法类似的任何方法。我们提出了算法的解决方案，我们的配方在连续域。我们还使用重要性采样将机会约束方法提升到连续环境中。此外，我们提出的所有算法都可以使用粒子表示的参数和非参数信念。最后，我们给出了机会约束连续POMDP的一个近似，并对其进行了严格的分析和模拟。仿真结果表明，我们的算法表现出前所未有的celebrations相比，基线，在碰撞方面具有相同的性能。
2023-02-21 cs.AI cs.RO
Modeling Belief in Dynamic Systems, Part I: Foundations
信念改变是人工智能中的一个基本问题：智能体必须不断更新自己的信念以适应新的观察结果。近年来，有很多工作的公理化特征的信念变化。我们认为，一个更好的理解信念的变化，可以通过检查适当的语义模型。在本文中，我们提出了一个一般的框架，在其中模型的信念变化。我们首先根据知识和可信度来定义信念：如果一个主体知道p比它的否定更可信，他就相信p。然后，我们考虑一些属性定义的知识和可验证性之间的相互作用，并显示这些属性如何影响信仰的属性。特别是，我们表明，通过假设两个最自然的属性，信念成为一个KD 45运营商。最后，我们把时间添加到图片中。这给了我们一个框架，在这个框架中，我们可以讨论知识、可解释性（以及信念）和时间，这扩展了Halpern和Fagin在多智能体系统中建模知识的框架。然后，我们研究“最小变化”的问题。这个概念可以通过使用先验概率来捕捉，先验概率是先验概率的一种类似物，可以通过“条件”来更新。我们通过例子表明，条件的可扩展性措施可以捕捉到许多感兴趣的情况。在一个配套文件中，我们展示了两个最好的研究方案的信念变化，信念revisionand信念更新，适合我们的框架。
2003-07-30 cs.AI cs.LO
Exploring the Potential for Large Language Models to Demonstrate Rational Probabilistic Beliefs
Department of Computing, Imperial College London, UK（计算系，帝国理工学院伦敦分校）
针对大型语言模型（LLMs）在信息检索和自动化决策系统中的应用需求，研究发现当前LLMs缺乏理性连贯的概率信念表示能力，通过构建含不确定真值声明的新数据集并应用成熟量化技术验证了该问题。
2025-04-18 cs.AI cs.CL
An Evaluation of Structural Parameters for Probabilistic Reasoning: Results on Benchmark Circuits
University of California（加利福尼亚大学）；Rockwell Science Center（罗克韦尔科学中心）
许多处理概率网络的算法依赖于问题结构的拓扑性质。这样的算法（例如，聚类、调节）仅在问题具有由诸如树宽度和循环割集大小之类的参数捕获的稀疏图时才有效。在本文中，我们发起了一项研究，以确定潜在的基于结构的算法在现实生活中的应用。我们从经验上分析了来自电路诊断领域的问题的结构特性。具体来说，我们定位这些属性，捕捉聚类和调节的有效性，以及一个家庭的调节+聚类算法，旨在逐步交易空间的时间。我们对测试界广泛使用的11个基准电路进行了分析。我们还报告的效果，排序算法对树聚类，并表明，在我们的基准，著名的最大基数排序是大大低于一个排序称为最小度。
2013-02-13 cs.AI
A New Approach to Updating Beliefs
IBM Almaden Research Center（IBM阿尔马登研究中心）
我们定义了一个新的概念，条件信念，它扮演着相同的作用，Dempster-Shafer信念函数的条件概率概率的概率函数。我们的定义不同于Dempster给出的标准定义，并且避免了该定义的许多众所周知的问题。正如条件概率Pr（lB）是一个概率函数，它是条件B为真的结果，所以我们的条件信念函数Bel（lB）也是一个信念函数，它是条件B为真的结果。我们将条件信念定义为一个条件概率函数族的下包络（即inf），并提供了一个封闭形式的表达式，通过考虑早期论文[Fagin和Halpern，1989]中的思想，我们将信念函数与内部测度联系起来，提供了理解条件信念定义的另一种方式。特别是，我们在这里展示了如何将条件概率的定义扩展到不可测集，以获得内部和外部条件概率的概念，考虑到我们缺乏信息，这些条件概率可以被视为真实条件概率的最佳近似。我们对条件信念的定义与我们对内部条件概率的定义完全相似。
2013-03-27 cs.AI cs.LO
Parallelizing Probabilistic Inference: Some Early Explorations
Oregon State University（俄勒冈州立大学）
我们报告的并行信念网推理的机会的实验研究。具体来说，我们报告的研究进行的可用的并行性，超立方体风格的机器，一组随机生成的信念网，使用因子分解（SPI）风格的推理算法。我们的研究结果表明，大量的加速是可用的，但它只能通过并行化的个人保形产品的操作，并严重依赖于找到一个适当的因素。我们发现在拓扑或聚类树水平上的并行性的机会可以忽略不计。
2013-03-13 cs.AI
