A General Framework of Epistemic Forgetting and its Instantiation by Ranking Functions
Faculty of Mathematics(数学系);Computer Science, University of Hagen, 58084 Hagen, Germany(计算机科学,海因斯大学,德国);Department of Computer Science, Technology Dortmund University, 44221 Dortmund, Germany(计算机科学系,多特蒙德技术大学,德国)
本文提出认知遗忘的一般框架,以Spohn排序函数实例化五类遗忘和七种具体操作,并结合逻辑程序设计与AGM公设系统评估其异同。
2025-08-29 cs.AI
Explicit Modelling of Theory of Mind for Belief Prediction in Nonverbal Social Interactions
University of Stuttgart(斯图加特大学)
提出MToMnet神经网络,通过显式建模心理理论并融合多模态线索预测人类社交互动中的信念及其动态,在两个真实数据集上大幅超越现有方法且参数量更少。
2024-08-28 cs.AI
When Answer Evaluation Misleads Confidence Selection: Fact-Grounded Form Grading for Open-Ended QA
该研究发现开放式ToM追踪中不完整参考集生成的代理标签可反转模型校准排名,提出TriSource-Restore方法修复置信度并维持排名方向。
2026-11-03 cs.AI cs.CL
Representation Curriculum: Stagewise Training for Robust Ranking and Allocation
eBay Search Ranking and Monetization(eBay搜索排名与变现)
提出表示课程(RC)方法,通过分阶段引入特征,先强调基于内容的信号,再引入依赖曝光的信号,减少对历史信号的捷径依赖,提升冷启动泛化性和鲁棒性。
2026-06-03 cs.AI cs.IR cs.LG
Compatibility of Quantitative and Qualitative Representations of Belief
University of Regina(里贾纳大学)
信念的定量和定性表示的兼容性在概率论中得到了广泛的研究。直到最近,这个重要的话题被认为是在信仰功能的背景下。本文研究了各种定量信念测度与定性信念结构的相容性。四类信念措施考虑:概率函数,单调的信念函数,谢弗的信念函数,和Smets的广义信念函数。分析它们与不同信念结构的个体相容性,不仅为这些定量测度提供了可靠的依据,而且也揭示了数字信念数的获取和解释中的一些困难。证明了定性概率的结构与单调置信函数相容。此外,比定性信念弱的信念结构与Smets的广义信念函数相容。
2013-03-20 cs.AI
Belief and plausibility measures for D numbers
Northwestern Polytechnical University(西北工业大学)
作为Dempster-Shafer理论的推广,D数理论为处理具有非排他性和不完全性的不确定信息提供了一个框架。然而,D数论中的一些基本概念并没有很好的定义。本文提出了D数的置信测度和可信测度,并揭示了它们的基本性质。
2019-11-30 cs.AI
Modular Belief Updates and Confusion about Measures of Certainty in Artificial Intelligence Research
Stanford University(斯坦福大学)
在过去的十年中,人们对人工智能研究中不确定性推理的信念变化或度量的使用越来越感兴趣。几种方法的一个重要特征是信念或信念更新的变化,我们称之为模块性。我们把满足这个性质的更新称为模块化更新。尽管在19世纪首次发现了满足模块性性质的信念更新的概率度量,但在人工智能研究中,对这些量的知识和讨论仍然模糊不清。我们定义了模块化更新,并讨论了它们在两个有影响力的专家系统中的不当使用。
2014-07-27 cs.AI
An Axiomatic Framework for Belief Updates
Stanford University(斯坦福大学)
在20世纪40年代,一位名叫考克斯的物理学家基于主观或贝叶斯解释为概率公理提供了第一个正式的证明。他表明,如果措施的信念满足几个基本性质,那么措施必须是一些单调变换的概率。在本文中,信念或信念更新的变化措施进行检查。在考克斯的精神,属性的信仰变化的措施列举。证明了如果一个测度满足这些性质,则它必须满足其他限制条件。例如,它表明,在概率的情况下,信念更新必须等于一些单调变换的似然比。我们希望这种信念更新范式的正式解释将促进关键的讨论和有用的扩展的方法。
2013-03-27 cs.AI
Evidential distance measure in complex belief function theory
Southwest University(西南大学)
本文提出了一种证据距离测度,用于度量由复数组成的复杂基本信念赋值(CBBA)之间的差异或相异性。当CBBA从复数退化为实数时,即,BBAs,建议的距离将退化到Jousselme等人。的距离。因此,建议的距离提供了一个很有前途的方法来衡量证据之间的差异,在一个更一般的框架复杂的平面空间。
2019-06-27 cs.AI
Contradiction measures and specificity degrees of basic belief assignments
University of New Mexico(新墨西哥大学);University of Rennes 1(雷恩第一大学);ENSTA Bretagne(布列塔尼国立高等先进技术学院)
在信度函数理论中,引入了许多不确定性的度量。然而,并不总是容易理解这些措施真正试图代表什么。本文重新解释了信度函数理论中的一些不确定性度量。我们提出了一些利益和现有的措施的缺点。在这些观察中,我们引入了一个矛盾的度量。因此,我们提出了一定程度的非特异性和贝叶斯的质量。我们提出了一个程度的特异性的基础上的质量和它的最具体的相关质量之间的距离。我们还展示了如何使用特异性的程度来衡量融合规则的特异性。文中给出了简单例子的说明。
2011-09-16 cs.AI
Consensus measure of rankings
School of Computing and Mathematics, Ulster University(阿尔斯特大学计算与数学学院)
排名是项目的有序序列,其中具有较高排名分数的项目比具有较低排名分数的项目更优选。在许多信息系统中,排名被广泛用于表示对一组项目或候选项的偏好。排名的一致性度量是如何评估排名一致程度的问题。在许多信息系统中,一致性度量可用于评估排名,因为通常没有可用于评估的基本事实。文章提出了一种基于图表示的排序一致性度量方法,其中顶点或节点表示排序中的项目,边表示排序中项目之间的关系。这样的表示导致各种算法的一致性措施在不同方面的排名,包括共同模式的数量,固定长度的共同模式的数量和最长的共同模式的长度。建议的方法可用于各种排名,例如全面排名、部分排名和并列排名。本文演示了如何使用所提出的方法来评估排名聚合的质量和质量的顶级$k$排名从谷歌和必应搜索引擎。
2017-09-21 cs.AI
Loopy Belief Propogation and Gibbs Measures
University of California, Berkeley(加州大学伯克利分校)
我们解决的问题,在循环的信念传播(LBP)算法的收敛性。具体地说,我们把LBP的收敛性与定义在LBP的相关计算树上的Gibbs测度序列的弱极限的存在性联系起来.利用Gibbs测度理论的工具,我们得到了易于检验的收敛性充分条件. LBP的收敛性的失败意味着相关Gibbs规范的多个阶段的存在.这些结果为算法的机制提供了新的见解.
2012-12-12 cs.AI
A total uncertainty measure for D numbers based on belief intervals
Northwestern Polytechnical University(西北工业大学)
D数理论作为Dempster-Shafer理论的推广,是不确定性推理的一个新的理论框架。测量由D数表示的知识或信息的不确定性是该理论中未解决的问题。受Dempster-Shafer理论中基于距离的不确定性测度的启发,提出了一种基于置信区间的D数的总体不确定性测度。建议的总不确定性措施,可以同时捕获的不和谐,非特异性,和非排他性的D数。给出了这种全不确定性测度的一些基本性质,包括值域、单调性、广义集相容性等。
2017-12-25 cs.AI
Properties of Bayesian Belief Network Learning Algorithms
Utrecht University(乌得勒支大学)
贝叶斯信念网络学习算法有三个基本组成部分:网络结构和数据库的测量,选择要考虑的网络结构的搜索启发式,以及从数据库估计概率表的方法。本文对这三个主题都有贡献。库珀和Herskovits和最小描述长度(MDL)措施的贝叶斯措施的行为进行了比较,就其性质的限制大小和有限大小的数据库。结果表明,MDL措施比贝叶斯措施时,要学习的分布具有更理想的属性。研究表明,选择具有某些极小性属性的信念网络是NP难的。这个结果证明了使用搜索算法而不是精确算法来选择要考虑的网络结构是合理的。在某些情况下,一个信念网络的集合可以用一个信念网络来表示,这导致了一种新的概率表估计,称为平滑。我们认为,平滑可以有效地实现将其纳入搜索启发式。实验结果表明,平滑的信念网络的学习概率是有帮助的。
2013-02-27 cs.AI
A correlation coefficient of belief functions
Northwestern Polytechnical University(西北工业大学)
如何处理冲突仍然是Dempster-Shafer证据理论中的一个悬而未决的问题。在Dempster-Shafer证据理论中,相关系数可以用来度量证据之间的相似性。然而,现有的信度函数的相关系数存在一些不足。本文提出了一种新的相关系数,它具有许多令人满意的性质。它的一个应用是衡量信念函数之间的冲突程度。数值算例和比较表明了相关系数的有效性。
2017-02-02 cs.AI
Belief Change based on Knowledge Measures
Istituto di Scienza e Tecnologie dell’Informazione, CNR(意大利国家研究委员会信息科学与技术研究所)
提出基于知识测度的定量信念变更框架,定义最小意外原则下的信念变更算子,满足AGM公设,并刻画所有AGM算子,引入信息损失/增益/变化测度,探讨迭代修订与严重撤回模型。
2024-03-15 cs.AI
Updating with Belief Functions, Ordinal Conditioning Functions and Possibility Measures
Universite Paul Sabatier(保尔·萨巴蒂埃大学)
本文讨论了当一个新的信息,这可能是弥漫着不确定性,变得可用时,如何更新的不确定性度量表示的知识状态。这个问题被认为是在不同的框架,即:Shafer的证据理论,Zadeh的可能性理论,Spohn的认识状态理论。在前两种情况下,类似的杰弗里的规则的条件介绍和讨论。强调了Spohn模型与可能性理论的关系,并将Spohn更新规则与可能性理论中的Jeffrey类条件作用规则进行了对比。最近的结果Shenoy组合的顺序条件函数重新解释的语言的可能性理论。它表明,谢诺伊的组合规则有一个众所周知的可能性对应。
2013-03-27 cs.AI
Toward a Graded Measure of Belief Stability in Large Language Models
Northeastern University(东北大学);Santa Fe Institute(圣塔菲研究所)
本文提出分级信念稳定性度量,通过直接条件估计器利用内部表示评估LLM信念的持久性,实验显示低稳定性信念在对话挑战下行为变动更大,扩展了可靠性评估。
2026-09-29 cs.AI cs.CL
Jeffrey's rule of conditioning generalized to belief functions
IRIDIA, Universite Libre de Bruxelles(布鲁塞尔自由大学)
杰佛瑞的条件反射规则已经被提出,以便用另一个概率函数来修正一个概率测度。我们推广它的框架内的模型的基础上的信念功能。我们表明,几种形式的杰弗里的条件可以定义对应的几何规则的条件和Dempster规则的条件,分别。
2013-03-06 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
Boosting the Learning for Ranking Patterns
University of Oran1(奥兰第一大学);LIRMM(蒙彼利埃计算机科学、机器人学与微电子实验室);University of Montpellier(蒙彼利埃大学);IMT Atlantique(大西洋国立高等矿业电信学校)
在数据采掘中,发现特定用户的相关模式仍然是一项具有挑战性的任务。已经提出了几种方法来学习用户特定的模式排名功能。这些方法通用性很好,但以牺牲运行时间为代价。另一方面,通常使用几种度量来评估模式的兴趣度,希望揭示尽可能接近用户特定排名的排名。在本文中,我们制定的问题学习模式的排名功能作为一个多准则决策问题。我们的方法将不同的兴趣度度量聚合到一个单一的加权线性排名函数中,使用一个以被动或主动模式运行的交互式学习过程。一个快速的学习步骤是用于引出的所有措施的权重,通过成对比较。该方法基于层次分析法(AHP),利用一组用户排序模式构建偏好矩阵,根据用户的兴趣度来比较度量的重要性。提出了一种基于灵敏度的启发式算法,用于主动学习模式,以确保在用户排序查询较少的情况下获得高质量的结果。在知名数据集上进行的实验表明,我们的方法显着减少了运行时间,并返回精确的模式排名,同时与最先进的方法相比,对用户错误具有鲁棒性。
2022-03-05 cs.AI
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
From Model Choice to Model Belief: Establishing a New Measure for LLM-Based Research
MIT Sloan School of Management(麻省理工学院斯隆管理学院)
本文提出模型信念作为LLM研究的新度量标准,通过需求估计实验展示其在提高估计精度和降低计算成本方面的优势。
2025-12-29 cs.AI econ.EM
Contextual Preference Collaborative Measure Framework Based on Belief System
本文提出基于更新信念系统的偏好协同度量框架,通过规则集平均内部距离发现共同偏好并更新信念系统,利用信念度和偏差度筛选Top-K有趣规则,实验验证了所提IMCos和IMCov算法的准确性与效率。
2025-03-31 cs.AI cs.LG
Coherence, Belief Expansion and Bayesian Networks
我们构造了一个概率一致性测度的信息集,它决定了一个偏一致性排序。这一措施被应用于构建一个标准,以扩大我们的信念,面对新的信息。许多理想化的做法可以通过诉诸贝叶斯网络来放松。
2000-03-08 cs.AI cs.LO
Fast, Robust, and Versatile Event Detection through HMM Belief State Gradient Measures
事件检测是数据驱动系统中的关键功能,因为它有助于识别正常和异常行为。事件检测在机器人技术中越来越重要,因为机器人在日益非结构化的环境中具有更大的自主性。在这项工作中,我们提出了一个准确的,强大的,快速的,多功能的技能和异常识别措施。理论证明建立了HMM过滤的置信状态的对数似然的导数与最新的发射概率之间的联系。关键的洞察力是梯度分析用于技能和异常识别的反比关系。我们的测量结果显示,在所有指标上的性能都优于相关的最先进的作品。结果是广泛适用于域使用HALTORY的事件检测。
2018-06-20 cs.AI cs.RO
Uncertainty measurement with belief entropy on interference effect in Quantum-Like Bayesian Networks
Northwestern Polytechnical University(西北工业大学);China Equipment System Engineering Company(中国装备系统工程公司)
社会困境一直被认为是进化博弈论的精髓,其中囚徒困境博弈是对合作问题最著名的隐喻。最近的研究发现,人们的行为违反了这类游戏中的“确定性原则”。经典的概率方法很难解释人们行为的潜在机制。本文提出了一种新的类量子贝叶斯网络来适应这一悖论现象。这种特殊的网络可以考虑干扰,这可能是一种有效的方式来描述底层机制。在此基础上,引入了信度熵,即邓熵,并提出了信度距离的概念。通过实证数据的检验,证明了该模型的预测性和有效性。
2017-09-08 cs.AI math.PR
Direct Optimization of Ranking Measures
Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所);NICTA(澳大利亚国家信息与通信技术研究院);ANU(澳大利亚国立大学)
网页排名和协同过滤需要优化复杂的性能指标。目前的支持向量方法无法直接优化它们,而是专注于成对比较。我们提出了一种新的方法,允许直接优化相关的损失函数。这是通过希尔伯特空间中的结构化估计来实现的。它是最相关的最大边际马尔可夫网络优化的多元性能指标。我们的方法的关键是,在训练过程中,排名问题可以被视为一个线性分配问题,可以通过匈牙利婚姻算法来解决。在测试时,排序操作就足够了,因为我们的算法为每个(文档,查询)对分配了一个相关性分数。实验结果表明,该算法速度快,效果良好.
2007-04-25 cs.AI cs.IR
Multi-sensor data fusion based on a generalised belief divergence measure
Southwest University(西南大学)
多传感器数据融合技术在实际应用中发挥着重要作用。由于证据理论在建模和处理不确定信息时不考虑先验概率的灵活性和有效性,因此在信息融合的各个领域得到了广泛的应用。然而,当融合高度冲突的证据时,可能会出现违反直觉的结果。为了解决这一问题,提出了一种基于广义信度测度的多传感器数据融合方法。该方法首先综合考虑证据的充分性和重要性,确定证据的可靠性权重;在此基础上,根据证据的可信度权重,设计了一种新的广义置信度Jensen-Shannon散度(GBJS)来度量多个证据之间的差异和冲突程度,并利用GBJS来度量证据的支持度。然后,在使用Dempster合成规则之前,先用证据的支持度对证据体进行调整。最后通过故障诊断实例验证了该方法的有效性。
2018-06-05 cs.AI cs.IT math.IT
Updating belief functions over Belnap--Dunn logic
INSA Centre Val de Loire(中央卢瓦尔河谷国立应用科学学院);Univ. Orléans(奥尔良大学);Czech Academy of Sciences(捷克科学院)
置信度和可信度是比概率更弱的不确定性度量。它们的动机是当完全的概率信息不可用时的情况。然而,信息也可能是矛盾的。因此,经典逻辑的框架不一定是最合适的。Belnap-Dunn逻辑被用来推理不完整和矛盾的信息。Klein等人和Bilkova等人分别将概率测度和置信函数的概念推广到Belnap-Dunn逻辑。在这篇文章中,我们研究了如何用新的信息更新信念函数。我们提出了第一种方法,通过Belnap-Dunn逻辑的框架语义。
2022-05-30 cs.AI cs.LO math.PR
VAL-Bench: Belief Consistency as a measure for Value Alignment in Language Models
MasterClass;University of Oxford(牛津大学);WhiteBox;Martian
VAL-Bench通过评估语言模型在现实价值相关提示中的信念一致性,提出了一种衡量价值观对齐的新基准,揭示了不同模型在一致性上的显著差异。
2026-01-14 cs.AI cs.CL
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
Quantifying Rational Belief
University at Albany-SUNY(纽约州立大学奥尔巴尼分校)
一些批评已提出反对考克斯方法概率论的解决。我们应该用一个实数来衡量理性信念的程度吗?信仰可以比较吗?考克斯公理是显而易见的吗?考克斯有反例吗?而不是证明考克斯的选择公理,我们遵循不同的路径,并得出概率论的总和和产品的规则作为唯一的(直到regraduations)一致表示的布尔与或操作。
2009-11-13 cs.AI physics.data-an
BF-QC: Belief Functions on Quantum Circuits
Institute of Fundamental and Frontier Science, UESTC(电子科技大学基础与前沿研究院);Institute of Computing Technology, CAS(中国科学院计算技术研究所);School of Education, SNNU(陕西师范大学教育学院);ETH Zurich(苏黎世联邦理工学院)
相信函数的Dempster-Shafer理论(DST)是人工智能的基础理论,它比概率论(ProbT)更能合理地表示底层知识。由于DST的计算复杂度随着元素数量的增加呈指数级增长,其实际应用场景受到限制。本文将基本信念图(BBA)编码为量子叠加态,并提出了BBA在量子线路上的实现和操作方法。我们降低了量子线路上BBA(MEoB)矩阵演化的计算复杂度。基于MEoB,实现了量子信念函数的实现、BBA的相似性度量、证据组合规则(CR)以及量子线路上的概率变换。
2022-10-12 cs.AI quant-ph
Inter Observer Variability Assessment through Ordered Weighted Belief Divergence Measure in MAGDM Application to the Ensemble Classifier Feature Fusion
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);School of Medical Science and Technology, Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校医学科学与技术学院)
针对现有多属性群决策方法忽略专家意见冲突的问题,提出一种结合基本概率赋值、有序加权信念似然度量与散度度量的证据MAGDM框架,并验证了其在视网膜疾病诊断的集成分类器特征融合中的应用价值。
2024-09-13 cs.AI cs.IT math.IT
Neural Belief Reasoner
IBM Research(IBM研究院)
本文提出了一种新的生成模型称为神经信念推理机(NBR)。它与以前的模型不同之处在于它指定了一个置信函数而不是概率分布。它的实现包括神经网络、模糊集运算和置信函数运算,给出了查询应答、样本生成和训练算法。本文分两个方面对丁腈橡胶进行了研究。第一个是一个合成的无监督学习任务,它展示了NBR的能力,执行多跳推理,推理与不确定性和推理冲突的信息。第二个是监督学习:一个针对4和9的强大MNIST分类器,这是最具挑战性的一对数字。该分类器不需要对抗训练,并且它在对抗鲁棒性方面大大超过了L2度量的最新水平,同时在自然图像上保持了99.1%的准确率。
2020-07-16 cs.AI cs.LG
Fairness in Ranking: Robustness through Randomization without the Protected Attribute
University of Padova(帕多瓦大学);National Technical University of Athens(雅典国家技术大学);Athena Research & Innovation Center in Information Communication & Knowledge Technologies(雅典娜信息通信与知识技术研究创新中心);Czech Technical University in Prague(捷克技术大学)
针对排序公平性研究中受保护属性缺失、单一公平指标优化易导致其他指标不公平的问题,提出无需受保护属性的随机化排序后处理方法,经数值研究验证其在P-Fairness上的鲁棒性及NDCG上的有效性,优于现有方法。
2024-03-28 cs.AI cs.CY cs.LG