Evidential Conditional Neural Processes
Rochester Institute of Technology(罗切斯特理工学院)
条件神经过程(CNP)系列模型通过实现更好的可扩展性和有竞争力的预测性能,为解决Few-Shot问题提供了一个有前途的方向。然而,目前的CNP模型仅捕获对目标数据点进行预测的总体不确定性。它们缺乏对不确定性的不同来源的系统细粒度量化,而这些不确定性对于Few-Shot设置下的模型训练和决策至关重要。我们提出了证据条件神经过程(ECNP),它取代了CNP使用的标准高斯分布与一个更丰富的层次贝叶斯结构,通过证据学习,实现认识-任意的不确定性分解。证据层次结构也导致了理论上合理的鲁棒性噪声训练任务。对建议的ECNP的理论分析建立了与CNP的关系,同时提供了更深入的见解的证据参数的作用。对合成数据和真实数据进行的大量实验证明了我们提出的模型在各种Few-Shot设置中的有效性。
2022-11-30 cs.AI cs.LG
Generating Explanations for Evidential Reasoning
IRIDIA;Service d'Automatique(自动化服务);Universite libre de Bruxelles(布鲁塞尔自由大学)
在本文中,我们提出了两种方法来提供解释的推理与信念功能的评估为基础的系统。受Strat方法的启发,一种方法是基于灵敏度分析,但它的计算比Strat方法更简单,因此更容易实现。另一种是通过对证据中信息含量的度量来考察证据对结论的影响。我们展示了在基于估值的系统的背景下,条件独立的证据的可加性属性。我们将给出一个例子来说明这些方法是如何应用于证据网络。
2013-02-20 cs.AI
Strategies for Generating Micro Explanations for Bayesian Belief Networks
Monash University(莫纳什大学)
贝叶斯信度网络一直被专家系统从业者忽视,因为它不符合人类的推理机制。在本文中,我们介绍了一种解释机制,旨在生成直观的概率合理的解释贝叶斯信念网络得出的推论。特别是,我们的机制帐户的因果关系和证据支持的节点的变化所获得的结果。
2013-03-27 cs.AI
Implementing Evidential Reasoning in Expert Systems
University of California, Berkeley(加州大学伯克利分校)
Dempster-Shafer理论近年来得到了扩展,应用于专家系统。然而,在基于规则的系统中实现扩展的D-S推理模型使得生成信息解释的任务变得非常复杂。通过实现GERTIS,诊断类风湿关节炎的原型系统,我们表明,两种知识是必不可少的解释生成:(1)分类类之间的关系假设和(2)指针的规则,显着有助于信念的假设。其结果是,在GERTIS表示的知识是更丰富和更复杂的比传统的基于规则的系统。GERTIS不仅证明了基于规则的证据推理系统的可行性,而且还提出了生成更好解释的方法,并明确表示假设和规则之间的各种有用关系。
2013-03-27 cs.AI
Evidential community detection based on density peaks
Northwestern Polytechnical University(西北工业大学);DRUID;IRISA(法国国家信息与自动化研究所/IRISA研究所(注:IRISA为法国雷恩一大下属的信息与系统研究所,常用名保留IRISA));University of Rennes 1(雷恩第一大学)
信任函数框架下的信任划分可以让我们更好地理解分析的数据集。为了在图数据集中发现可信社区结构,提出了一种新的基于密度峰值的证据社区发现算法(EDPC)。首先为图中的每个节点定义了两个新的度量:局部密度$ρ$和最小耗散度$δ$。然后,具有较高的$ρ$和$δ$值的节点被识别为社区中心。最后,通过一个简单的两步证据标签传播策略为剩余节点分配相应的社区标签。每个节点的成员关系以基本信念赋值的形式来描述,能够很好地表达图的社团结构中包含的不确定性。实验证明了该方法在实际网络中的有效性。
2018-09-28 cs.AI cs.SI
Decision-Aware Approximation of Belief Functions for Evidential Combinatorial Optimization
Univ. Artois(阿图瓦大学);UR 3926(UR 3926机构);Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A)(阿图瓦计算机与自动化实验室(LGI2A))
针对为带证据成本的线性组合优化提供输入的质量函数,提出决策感知近似方法,其决策时的决策翻转频率低于传统表示感知压缩。
2026-08-12 cs.AI math.OC
Belief Updating by Enumerating High-Probability Independence-Based Assignments
Air Force Institute of Technology(空军理工学院);Ben Gurion University of the Negev(内盖夫本-古里安大学)
基于独立性(IB)的贝叶斯信念网络分配最初被提出作为溯因解释。IB分配分配更少的变量在溯因解释比计划分配值的所有证据支持的变量。我们使用IB分配来近似贝叶斯信念网络中的边缘概率。最近的工作在贝叶斯网络的信念更新试图近似后验概率找到一个小数目的最高概率完成(或可能证据支持)的分配。在某些假设下,这些赋值的并集中的概率质量足以获得良好的近似。这种方法对于高度连接的网络特别有用,其中最大团大小或割集大小使标准算法难以处理。由于IB作业包含较少的分配变量,因此每个作业中的概率质量大于相应的完整作业。因此,更少的IB赋值就足够了,并且可以更有效地获得良好的近似。IB分配可以用于有效地近似后验节点概率,即使在不遵守先前研究中使用的相当严格的偏度假设的情况下。提出了两种寻找高概率IB分配的算法:一种是最佳优先启发式搜索算法,另一种是专用整数线性规划算法。实验结果表明,该方法对高度连通的信度网络是可行的。
2013-02-27 cs.AI
A Belief-Function Based Decision Support System
Universite libre de Bruxelles(布鲁塞尔自由大学);University of Kansas(堪萨斯大学)
在本文中,我们提出了一个基于信念函数和pignistic转换的决策支持系统。该系统是一个集成的证据系统的信念函数传播和评估为基础的系统贝叶斯决策分析。这两个子系统是通过诗歌中的隐逸转换而联系在一起的。该系统将用户对某个情况的“直觉”作为输入,并建议要测试什么(如果有的话)以及以什么顺序进行测试,并且它通过用户友好的界面来这样做。
2013-03-06 cs.AI
Dempster-Shafer Belief Function - A New Interpretation
Polish Academy of Sciences(波兰科学院)
我们发展我们的解释的联合信念分布和证据更新,符合以下基本要求:* 在这个框架内必须有一种有效的推理方法 * 知识库的内容和现实世界之间必须有一个明确的对应关系 * 推理方法和一些现实世界的过程之间必须有一个明确的对应关系 * 在推理过程的结果和对应于推理过程的现实世界过程的结果之间必须存在清楚的对应关系。
2017-04-13 cs.AI
Non-Destructive Sample Generation From Conditional Belief Functions
Institute of Computer Science, Polish Academy of Sciences(波兰科学院计算机科学研究所)
本文提出了一种新的方法来产生样本的条件信念函数的一个限制,但非平凡的子集的条件信念函数。它假设信念函数沿着贝叶斯网络结构的分解。它应用一般的条件信念函数。
2020-05-25 cs.AI
Maximizing positive opinion influence using an evidential approach
Université de Tunis(突尼斯大学);Université de Rennes 1(雷恩第一大学);Centre d’Etudes et de Recherche des Télécommunications(电信研究中心);Université de Carthage(迦太基大学)
在本文中,我们提出了一个新的数据为基础的模型,在线社交网络的影响力最大化。我们利用信度函数的理论来克服数据不完美的问题。此外,所提出的模型搜索,以检测影响者用户,采取了积极的意见,对产品,想法等,要传播。此外,我们提出了一些实验来显示我们的模型的性能。
2016-10-20 cs.AI cs.SI
Fusion of evidential CNN classifiers for image classification
Université de technologie de Compiègne(贡比涅技术大学);Institut universitaire de France(法国大学研究院)
提出了一种基于置信函数的卷积神经网络信息融合方法。在这种方法中,几个预先训练的基于DS的CNN架构从输入图像中提取特征,并将其转换为不同识别帧上的质量函数。然后,融合模块使用Dempster规则聚合这些质量函数。端到端的学习过程允许我们使用带有软标签的学习集来微调整体架构,这进一步提高了分类性能。使用三个基准数据库的实验证明了这种方法的有效性。
2021-08-23 cs.AI cs.CV
Evidential Sparsification of Multimodal Latent Spaces in Conditional Variational Autoencoders
Stanford University(斯坦福大学)
变分自编码器中的离散潜在空间已经被证明可以有效地捕获许多现实世界问题的数据分布,例如自然语言理解、人类意图预测和视觉场景表示。然而,离散的潜在空间需要足够大,以捕获真实世界数据的复杂性,从而使下游任务在计算上具有挑战性。例如,在环境的高维潜在表示中执行运动规划可能是棘手的。我们考虑的问题稀疏化的离散潜在空间的训练条件变分自编码器,同时保持其学习的多模态。作为一种事后潜在空间缩减技术,我们使用证据理论来识别从特定输入条件接收直接证据的潜在类,并过滤掉那些不接收直接证据的潜在类。不同的任务,如图像生成和人类行为预测的实验,证明了我们提出的技术在减少模型的离散潜在样本空间大小,同时保持其学习的多模态的有效性。
2021-01-18 cs.AI cs.CV cs.LG
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
A Conditional Perspective for Iterated Belief Contraction
FernUniversität in Hagen(哈根开放大学);Technical University Dortmund(多特蒙德工业大学)
根据Boutillier,Darwiche,Pearl和其他人的说法,迭代修正的原则可以用改变对条件句的信念来描述。对于迭代收缩,类似的公式是未知的。这尤其是因为对于迭代信念变化,通过列维和哈珀恒等式的修正和收缩之间的联系并不直接,因此,表征结果在迭代修正和收缩之间不易转移。在这篇文章中,我们开发了一个公理化的迭代收缩在不断变化的条件信念。我们证明了一组新的公设符合语义的操作员类,如Konieczny和皮诺佩雷斯迭代压缩。
2019-11-20 cs.AI
Broadening the Applicability of Conditional Syntax Splitting for Reasoning from Conditional Belief Bases
University of Cape Town and CAIR(开普敦大学和CAIR);Open Universiteit(开放大学);TU Dortmund University(多特蒙德技术大学)
本文提出一种扩展的条件语法分割概念,允许信念基子基共享原子和非平凡条件,从而克服了原有分割概念的局限性,并评估了多种归纳推理算子。
2026-04-14 cs.AI
Factorization of Dempster-Shafer Belief Functions Based on Data
Institute of Computer Science, Polish Academy of Sciences(波兰科学院计算机科学研究所)
应用Dempster-Shafer理论(DST)的一个重要障碍是它与频率的关系。特别是,存在着严重的困难,从数据中发现的信念函数的因式分解。在概率论中,因子分解通常与(条件)独立性的概念有关,并相应地测试它们的可能性。然而,在DST中,条件信念分布被证明是非正确的信念函数(即与负“频率”相关的信念函数)。这使得潜在的条件独立性的统计测试实际上是不可能的,因为到目前为止还没有找到负置信函数值的连贯解释。在本文中,一个新的尝试,以克服这一困难。在该提案中,没有计算条件信念,而是在DST的框架内引入了一个新的测量F,与条件独立性密切相关,允许应用传统的统计测试来检测依赖性/独立性。
2018-12-14 cs.AI
Evidential-EM Algorithm Applied to Progressively Censored Observations
Northwestern Polytechnical University(西北工业大学);IRISA(IRISA研究所);University of Rennes 1(雷恩第一大学)
证据EM(E2M)算法是计算有限混合模型下极大似然估计的一种有效方法,特别是当数据具有不确定性信息时。在本文中,我们提出了一个E2M方法在一个特殊的情况下的不完全数据,其中的信息损失是由于混合模型和截尾观测。先验不确定性信息用置信函数表示,而伪似然函数是基于不精确观测和先验知识推导的。然后引入E2M方法,使广义似然函数最大化,得到参数的最优估计。数值算例表明,该方法能有效地将不确定的先验信息与观测数据所传递的当前不精确知识相结合.
2015-01-07 cs.AI stat.ME
Ordinal Conditional Functions for Nearly Counterfactual Revision
BCIT(不列颠哥伦比亚理工学院)
我们感兴趣的信念修订涉及条件语句的前提几乎肯定是假的。为了表示这样的问题,我们使用可以取无限值的有序条件函数。我们通过简单的算术运算来模拟这种情况下的信念变化,这些运算使我们能够捕捉到某些前因无法通过任何数量的观察来验证的直觉。我们框架我们的方法作为一种形式的有限的信念改善,我们提出了一个模型的条件信念修订,只有“正确的”假设水平的不可信性进行修订。
2016-03-31 cs.AI
A Conditional Perspective on the Logic of Iterated Belief Contraction
FernUniversität in Hagen(哈根函授大学);TU Dortmund University(多特蒙德工业大学)
在这篇文章中,我们考虑收缩的迭代原则,目标是识别尊重条件信念的收缩的属性。因此,我们调查和评估四组迭代原则的收缩,考虑动态的条件信念。对于所有这些原则,我们提供语义特征定理,并提供配方的假设,突出了如何改变的信念和条件信念的约束,只要有可能。第一类是类似于句法Darwiche-Pearl假设。作为第二组,我们认为语义假设的迭代收缩乔普拉,高斯,迈耶和黄,Konieczny和皮诺佩雷斯,分别,我们提供了新的句法对应。第三,我们提出了一个压缩模拟的独立性条件的Jin和Thielscher。对于第四组,我们考虑Nayak的自然和适度收缩。有条不紊地,我们利用条件收缩,所谓的收缩,此外,我们提出并采用新的概念,$ α$ -等价制定一些新的假设。
2022-02-04 cs.AI
Conditional Deep Generative Models for Belief State Planning
Aeronautics and Astronautics Stanford University(航空航天系 斯坦福大学);Institute for Computational & Mathematical Engineering (ICME) Stanford University(计算与数学工程研究所(ICME) 斯坦福大学)
针对高维状态 POMDP 的信念表示难题,提出用条件深度生成模型 cDGMs 学习后验信念并采样,在矿产勘探任务中优于粒子滤波。
2025-05-16 cs.AI
A Logic of Uncertain Interpretation
Carnegie Mellon University(卡内基梅隆大学)
该研究提出了用于不确定解释推理的逻辑框架,给出了捕捉意义衍推的蕴涵新语义,以及采取Dempster-Shafer信念函数形式的有证据支持信念的保守概念。
2025-03-15 cs.AI cs.LO
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
On (Anti)Conditional Independence in Dempster-Shafer Theory
Institute of Computer Science, Polish Academy of Sciences(波兰科学院计算机科学研究所)
本文证明了{Shenoy:94}关于信度函数的Dempster-Shafer理论的Shenoy独立性概念的图形结构的一个结果。谢诺伊证明了他的独立性概念对于正态估值具有图形性质。严格的正正规赋值的要求作为应用的先决条件的图形属性排除了一个广泛的DS信念函数类。它特别排除了所谓的概率置信函数。证明了对赋值正性的要求可以被弱化,可以要求公共函数对于单点集为非零,而置信函数变量独立的图形性质则保持不变.这特别意味着以所有单例集为焦点的概率置信函数具有独立的图形属性。
2017-07-13 cs.AI
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
Independence, Conditionality and Structure of Dempster-Shafer Belief Functions
Institute of Computer Science, Polish Academy of Sciences(波兰科学院计算机科学研究所)
Several approaches of structuring (factorization, decomposition) of Dempster-Shafer joint belief functions from literature are reviewed with special emphasis on their capability to capture independence from the point of view of the claim that belief functions generalize bayes notion of probability. It is demonstrated that Zhu and Lee's {Zhu:93} logical networks and Smets' {Smets:93} directed acyclic graphs are unable to capture statistical dependence/independence of bayesian networks {Pearl:88}. On the other hand, though Shenoy and Shafer's hypergraphs can explicitly represent bayesian network…
2017-07-12 cs.AI
Bisimulation and expressivity for conditional belief, degrees of belief, and safe belief
LORIA, CNRS / Université de Lorraine(洛里亚研究所、法国国家科学研究中心 / 洛林大学);DTU Compute, Technical University of Denmark(丹麦技术大学计算学院)
可信性模型是Kripke模型,代理人使用它来推理他们自己和彼此的知识和信念。这些模型被用来解释条件信念、信念度和安全信念的概念。条件信念逻辑既包含该模态,也包含知识模态,信念度逻辑和安全信念逻辑也是如此。关于这些逻辑,可扩展性模型可能包含太多信息。需要一个适当的互模拟概念来表征它们。我们定义了互模拟的概念,并证明了所需的特征:类的图像有限和原像有限的模型(相对于可扩展性关系),两个指向Kripke模型是模态等价的三个逻辑中的任何一个,当且仅当它们是双相似的。结果,这种模型的信息内容可以类似地用条件信念逻辑、信念程度逻辑或安全信念逻辑来表示。我们发现了一个惊人的结果。然而,这并不意味着逻辑具有同样的表达性:条件和信念度的逻辑是不可比较的,信念度的逻辑和安全信念的逻辑是不可比较的,而安全信念的逻辑比条件信念的逻辑更具表达性。鉴于互模拟表征的结果,这是一个同样令人惊讶的结果。我们希望我们的见解可能有助于不断增长的社区正式认识论和定性和定量建模之间的关系。
2016-02-25 cs.AI cs.LO
Revision by Conditionals: From Hook to Arrow
La Trobe University(拉筹伯大学);Cardiff University(卡迪夫大学)
信念修正文献主要集中在如何根据事实信息修正信念的问题上。在这里,我们转向一个重要但相对被忽视的问题:如何扩展修订操作符来处理作为输入的条件?我们的做法,这个问题的“有条件的修订”是独特的,因为它抽象的争议细节,如何修改的事实句子。我们引入了一个“即插即用”的方法,唯一地扩展任何迭代的信念修订运营商的条件的情况下。我们的方法的灵活性是通过有条件修订的结果由拉姆齐测试条件(“箭头”)确定的一个普通的修订由其相应的材料条件(“钩”)。它满足一些新的约束,是独立的利益。
2020-06-29 cs.AI
Descriptor Revision for Conditionals: Literal Descriptors and Conditional Preservation
FernUniversität in Hagen(哈根远程大学)
Hansson的描述符修正是解决信念改变问题的一个框架。在描述符修改中,不同类型的变更过程在一个联合框架中处理。个别的变化需求是合格的信念描述符表示的特定成功条件,和信念描述符可以结合逻辑连接词。这与目前由阿尔肖龙、格登福斯和梅金森塑造的主流年度股东大会范式形成了鲜明对比,在这种范式中,不同类型的变更(如修订或收缩)被单独处理。在这篇文章中,我们研究了条件逻辑的描述符修改的实现,同时限制描述符的文字描述符的连接。我们应用的原则,条件保存开发的Kern-Isberner描述符修订条件,说明如何描述符修订条件下,这些限制的特点是一个约束满足问题,并实现它使用约束逻辑编程。由于我们的条件逻辑包含命题逻辑,我们的方法也实现了命题逻辑的描述符修订。
2020-06-02 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
Parallel Belief Revision
Northrop Research and Technology Center(诺斯罗普研究与技术中心)
本文介绍了一个正式的系统,由沃尔夫冈Spohn开发的信念修订,并表明,该系统有一个并行的实现,可以从一个影响图的方式类似于贝叶斯网络派生。证明依赖于条件独立的概念公理化的完整性结果,与Spohn系统被用作条件独立的关系的语义。
2013-03-27 cs.AI
Prior and Posterior Networks: A Survey on Evidential Deep Learning Methods For Uncertainty Estimation
IT University of Copenhagen(哥本哈根信息技术大学);Technical University of Denmark(丹麦技术大学);Pioneer Centre for Artificial Intelligence(先锋人工智能中心)
用于量化深度神经网络中的预测不确定性的流行方法通常涉及权重或多个模型的分布,例如通过马尔可夫链采样,集成或蒙特卡洛丢弃。这些技术通常由于必须训练多个模型实例而产生开销,或者不能产生非常多样化的预测。这个全面而广泛的调查旨在让读者熟悉基于证据深度学习概念的另一类模型:对于不熟悉的数据,他们的目标是承认“他们不知道的”,并回到先前的信念。此外,它们允许在单个模型中进行不确定性估计,并通过对分布进行参数化来向前传递。这项调查概括了现有的作品,重点是在分类设置的实施,在调查应用相同的范式回归。我们还反映了与其他现有方法相比的优点和缺点,并使用统一的符号提供最基本的推导,以帮助未来的研究。
2023-03-07 cs.AI cs.LG stat.ML
Evidential Label Propagation Algorithm for Graphs
Northwestern Polytechnical University(西北工业大学);University of Rennes 1(雷恩第一大学)
社区发现因其能够发现复杂网络的结构和特征而受到广泛关注。随着现实世界中社交网络规模的不断扩大,社区发现方法需要快速准确。标签传播算法(LPA)是一种近似线性的解决方案,具有易于实现的优点,为有效的社区发现方法奠定了良好的基础。在本文中,我们扩展了LPA的更新规则和传播准则的信念函数的框架。提出了一种新的社区发现方法,称为证据标签传播(ELP),作为传统LPA的增强版本。首先定义节点影响力来指导传播过程。可扩展性用于确定每个节点的域标签。为了提高算法的鲁棒性,对节点的更新顺序进行了讨论。ELP算法在所有节点的域标签不变后收敛。质量分配最终计算为节点的成员资格。该方法可以同时检测重叠节点和离群点。实验结果证明了ELP的有效性。
2016-06-13 cs.AI cs.SI
What Does a Belief Function Believe In ?
Polish Academy of Sciences(波兰科学院)
Dempster-Shafer证据理论中的条件作用已经被Shafer \cite{Shafer:90}定义为通过Dempster规则的信念函数和“事件”的组合。另一方面谢弗\cite{Shafer:90}给出了一个“概率”解释的信念函数(因此间接从一个样本的推导)。鉴于样本导出概率分布的条件概率分布是从子样本(根据条件事件选择)导出的概率分布,本文研究了Dempster组合规则的经验性质。证明了所谓的“条件”信念函数不是给定事件的信念函数,而是给定原始经验数据的信念函数基于此,提出了一种不同于Shafer的信念函数的解释。从数据的信念网络的建设算法推导出这种解释。
2017-06-08 cs.AI
Conditional Inference and Activation of Knowledge Entities in ACT-R
TU Dortmund University(多特蒙德工业大学);FernUniversität in Hagen(哈根远程大学)
基于激活的条件推理将条件推理应用于ACT-R,ACT-R是一种用于形式化人类推理的认知架构。基于激活的条件推理的思想是确定条件信念库的合理子集,以便及时得出归纳推理。基于激活的条件推理的核心是激活函数,它主要基于条件与当前查询及其使用历史的相关性来为信念库中的条件分配激活程度。因此,我们的方法集成到专家系统,如聚焦,遗忘和记忆人类推理的几个方面。
2021-10-28 cs.AI
Planning Graph Heuristics for Belief Space Search
Arizona State University(亚利桑那州立大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
最近的一些工作在条件规划提出了可达性算法,以提高规划的可扩展性,但许多缺乏一个正式的描述,其距离估计的属性。为了将以前的工作的背景下,并扩展工作的有条件的规划,我们提供了一个正式的信念状态之间的距离估计的基础。我们给出了一个信念状态之间的距离的定义,依赖于聚合底层状态距离的措施。我们给出了几种技术来聚合状态距离及其相关属性。许多现有的规划展示了一个子集的属性,但为了提供一个标准化的比较,我们提出了几个概括的规划图规划,在一个单一的计划。我们恭维我们的信念状态距离估计框架,也调查有效的规划图数据结构,将BDD计算最有效的算法。我们开发了两个规划器作为我们调查的试验台。第一个是CAlt Alt,它是一个使用A* 搜索的一致回归规划器。第二个是POND,是一个使用AO* 搜索的条件进度计划器。我们展示了我们的启发式技术在这些规划师的相对有效性。我们还比较了这些规划师的性能与几个国家的最先进的方法在条件规划。
2011-03-09 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
Learn to Accumulate Evidence from All Training Samples: Theory and Practice
Rochester Institute of Technology(罗切斯特理工学院)
针对证据深度学习因激活函数产生零证据区域导致性能不佳的问题,从理论分析出发提出一种新型正则化器,有效缓解了该局限并提升了模型预测性能。
2023-06-24 cs.AI cs.CV cs.LG
Graphical Representations of Consensus Belief
University of Michigan(密歇根大学)
基于条件独立性的图形模型支持单个代理的主观信念的简洁编码。一个自然的问题是,一组代理人的共识信念是否可以用平等的简约来表示。我们证明,在相对温和的假设下,即使每个人都同意一个共同的图形拓扑结构,没有方法相结合的信念可以保持这种结构。甚至更弱的条件排除了条件概率表中的局部聚集。在一个更积极的注意,我们表明,如果概率与对数意见池(LogOP)相结合,那么通常持有马尔可夫独立性保持。这表明了一个简单的过程来构建一个共识马尔可夫网络。我们描述了一个算法,用于计算的LogOP的时间复杂度媲美精确贝叶斯推理。
2013-01-23 cs.AI
Valuation Networks and Conditional Independence
University of Kansas(堪萨斯大学)
估值网络已经被提出作为基于估值的系统(VBS)的图形表示。VBS框架能够捕获许多不确定性演算,包括概率论,Dempster-Shafer的信念函数理论,Spohn的认知信念理论和Zadeh的可能性理论。在本文中,我们展示了估值网络如何编码条件独立关系。对于概率情况,由估值网络编码的概率模型的类别包括无向图模型、有向无环图模型、有向气球图模型和递归因果图模型。
2013-03-06 cs.AI
Revisable Justified Belief: Preliminary Report
University of Amsterdam(阿姆斯特丹大学)
条件Doxastic逻辑的理论$\mathsf{CDL}$是Board的条件信念的多智能体理论$\mathsf{BRSIC}$的单智能体版本。$\mathsf{CDL}$可以被视为AGM信念修正理论的一个版本,其中修正的布尔组合可以用语言表达。我们介绍了一个理论$\mathsf{JCDL}$的证明条件Doxastic逻辑,取代条件信念公式$B^ψφ$的表达式$t{\,:^ψ}φ$由一个长期$t$,其句法结构表明推导的信念$φ$后,修订$ψ$。这使我们可以把术语$t$看作是在修正发生后证明相信各种公式的理由。我们证明了$\mathsf{JCDL}$ -定理是$\mathsf{CDL}$ -定理的精确类似物,并且这个结果也成立。这使我们可以把$\mathsf{JCDL}$看作是一种可修正的合理信念理论。
2015-03-27 cs.AI cs.LO
Conditional indifference and conditional preservation
保持条件信念的想法最近出现了一个新的范式,倾向于指导知识状态的修正。条件句与命题信念有本质的不同,需要特殊的处理。在本文中,我们提出了一种新的方法,条件,捕捉特别是其动态的一部分,修订政策。我们彻底公理化的原则,有条件的保存作为一个无差异的财产方面的条件结构的世界。这一原则是在一个半定量的设置,以揭示其根本意义的信念修正的定量以及在定性框架。事实上,它被证明涵盖了其他提出的有条件保存的方法。
2000-03-06 cs.AI cs.LO
Improved Mean and Variance Approximations for Belief Net Responses via Network Doubling
University of Alberta(阿尔伯塔大学)
贝叶斯信念网络模型的联合分布与有向无环图表示变量和网络参数之间的依赖关系表征条件分布。这些参数被视为随机变量,以量化其值的不确定性。信度网用于计算对查询的响应;即,兴趣的条件概率。查询是参数的函数,因此是随机变量。Van Allen等人(2001,2008)展示了如何通过方差的delta方法近似来量化查询的不确定性。我们开发更准确的近似查询均值和方差。其关键思想是将查询均值近似扩展到包含两个独立副本的“双重网络”。我们的方法假设完整的数据,可以应用于离散,连续和混合网络(提供离散变量只有离散的父母)。我们分析了几个改进,并提供实证研究,以证明其有效性。
2012-05-09 cs.AI
Entropy and Belief Networks
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
信网条件概率的乘积展开不是最大熵。这似乎否定了对模型的一种理想的保证。然而,可以导出一种几乎与最大熵一样强的保证。令人惊讶的是,变体模型也具有保证,并且在许多情况下获得比产品扩展更高的性能分数。
2013-03-13 cs.AI
Characterization of AGM Belief Contraction in Terms of Conditionals
Department of Economics University of California Davis, California, USA
本文利用 Kripke 信念关系与 Stalnaker-Lewis 选择函数构建框架,通过条件信念精确刻画了 AGM 信念收缩中公式的归属条件。
2023-07-11 cs.AI cs.LO
Hierarchical Evidence and Belief Functions
Decision Science Consortium, Inc.(决策科学联盟公司)
Dempster/Shafer(D/S)理论被认为是一种表示系统知识库中证据不完备性的方法。现在存在通过推理链传播信念的方法。本文讨论了如何将自动推理系统中的一种常见的知识表示--带有附加信念的规则转换为传播算法所需的联合信念函数。一个规则被视为定义一个条件信念函数的后件给定的前件。通过实例证明,不同的联合信念函数可以与给定的一组规则一致。此外,相同规则的不同表示可能会产生对后续假设的不同信念。
2013-03-27 cs.AI
A New Algorithm for Finding MAP Assignments to Belief Networks
Brown University(布朗大学)
本文提出了一种新的算法,用于寻找最大后验(MAP)分配值的信念网络。信念网络被编译成仅由具有布尔(即仅0或1)条件概率的节点组成的网络。然后,在所得到的网络上使用最佳优先搜索来找到MAP分配。我们认为,正如人们所预料的那样,该算法在一般情况下是指数的,但对于多边形树,网络的大小仅是线性的。
2013-03-27 cs.AI
Network Engineering for Complex Belief Networks
IET, Inc.(IET公司);George Mason University(乔治梅森大学)
与任何大型系统开发工作一样,复杂信念网络模型的构建需要系统工程来管理设计和构建过程。我们提出了一个快速原型的网络工程方法。我们描述了用于识别网络模块和使用“存根”来表示尚未构建的模块的标准。我们提出了一个面向对象的表示信念网络捕捉的语义问题,除了条件独立性和概率。讨论了复杂信度网络模型的评价方法。从一个大型的信念网络建设问题在军事情报领域的例子说明的想法。
2013-02-13 cs.AI
Dempsterian-Shaferian Belief Network From Data
Institute of Computer Science, Polish Academy of Sciences(波兰科学院计算机科学研究所)
Shenoy和Shafer {Shenoy:90}证明了对于Dempster-Shafer理论和概率论,存在有效地计算联合置信分布的边缘(通过所谓的局部计算)的可能性,只要联合分布可以分解(因式分解)成置信网络。存在许多算法用于将概率联合信念分布从数据分解成baidu(信念)网络。例如,Spirtes,Gaviour和Schein{Spirtes:90 b}提出了一个猜想,即直接依赖测试和头对头会议测试足以以Pearl的d-分离概念{Geiger:90}适用的方式从数据中对网络进行分类。本文旨在将Spirtes,Gaviour和Scheines {Spirtes:90 b}方法转移到Dempster-Shafer理论(DST)的基础上。为此,利用{Klopotek:93 b}中开发的DST的频率论解释。DST的条件性的一个特殊的概念被引入,并证明了行为相对于珍珠的d-分离{盖革:90}的方式与条件概率(虽然一些差异,如非唯一性是显而易见的)。在此基础上,开发了类似于{Spirtes:90 b}的算法。引入了部分定向图的概念,并在此图中定义了p-d-分离的概念。如果直接相关检验和头对头会议测试被用来定向的POG,那么它的p-d-分离被证明是等效的Pearl的d-分离的任何兼容的DAG。
2018-06-06 cs.AI
Minimal Assumption Distribution Propagation in Belief Networks
University of California(加利福尼亚大学)
随着信任网络被用于对日益复杂的情况进行建模,从大型数据库中自动构建信任网络的需求将变得至关重要。本文集中解决了信念网络归纳问题的一部分:在给定定性结构的情况下,学习定量结构(条件概率)。特别是,一个理论,显示了如何传播的信念网络中的推理分布,唯一的假设是,给定的定性结构是正确的。大多数推理算法必须至少做出这个假设。该理论基于四个网络转换,足以在信念网络中进行任何推理。此外,与流行的观点相反,错误不一定会随着推理链的增长而增长。相反,对于从足够大的样本诱导的QBN信念网,随着推理链的大小增加,误差更有可能减小。
2013-03-06 cs.AI
Bayes-Ball: The Rational Pastime (for Determining Irrelevance and Requisite Information in Belief Networks and Influence Diagrams)
Stanford University(斯坦福大学)
信念网络和影响图的好处之一是,在图形结构中捕获了如此多的知识。特别是,条件无关性(或独立性)的陈述可以在图的大小的时间线性中得到验证。为了解决一个特定的推理查询或决策问题,只需要指定一些可能的状态和概率分布,即“必要信息”。本文提出了一种新的,简单的,有效的“贝叶斯球”算法,它非常适合新的学生的信念网络和国家的最先进的实现。贝叶斯球算法比现有方法更有效地确定不相关集和必要信息,并且在信任网络和影响图的图的大小上是线性的。
2013-01-30 cs.AI
On Marginally Correct Approximations of Dempster-Shafer Belief Functions from Data
Institute of Computer Science(计算机科学研究所);Polish Academy of Sciences(波兰科学院)
数学证据理论(Mathematical Theory of Evidence,MTE)是在部分无知下进行推理的基础,它被指责将频率留在其框架之外(或旁边)。这种指责的严重性是显而易见的:没有实验可以运行来比较基于真实世界数据的真实世界过程模型的性能。在本文中,我们考虑这个问题的观点,条件的MTE。我们描述了一类的信念函数,其边际一致性与观察到的频率可以实现和条件的信念函数是适当的信念函数,%\和处理的影响(边际)近似一般的信念函数,这类信念函数和推理模型在MTE。
2018-12-07 cs.AI
Belief Update in CLG Bayesian Networks With Lazy Propagation
HUGIN Expert A/S(HUGIN Expert 公司)
近年来,具有连续和离散变量混合的贝叶斯网络(BN)受到了越来越多的关注。我们提出了一种结构的精确信念更新条件线性高斯贝叶斯网络(CLG BN)。该架构是使用Lauritzen & Jensen [6]和Cowell [2]的操作的惰性传播的扩展。通过将团和分离器潜力分解为因子集,所提出的架构利用了由图和证据的结构引起的独立性和不相关性。举例说明了由此产生的好处。初步的经验性能评估的结果表明,所提出的架构的显着潜力。
2012-06-27 cs.AI
Belief Maintenance in Bayesian Networks
McGill University(麦吉尔大学);Universita di Pavia(帕维亚大学)
贝叶斯信度网络(Bayesian Belief Networks,BBN)是一种用于不确定性推理的强大形式,但也存在一些严重的局限性:在任何推理过程开始之前需要大量的信息,矛盾处理能力有限,对结论的解释能力仍存在争议。存在一类推理系统,称为真值维护系统(Truth Maintenance Systems,TMS),它们能够处理部分指定的知识,为它们的结论提供有根据的解释,并检测和处理矛盾。包含不确定性度量的TMS被称为信念维护系统(BMS)。本文介绍了如何BMS基于概率逻辑可以应用到BBN,从而引入了一类新的BBN,称为无知的信念网络,能够逐步处理部分指定的条件依赖,提供解释,并检测和处理矛盾。
2013-02-27 cs.AI