Temporal Reasoning About Uncertain Worlds
Yale University(耶鲁大学)
我们提出了一个程序,管理一个数据库的时间范围内的信念。该系统的基本功能包括维护时间点之间的约束网络,支持各种提取,调解因果规则的应用,监控添加新事实的时间间隔,以及管理保持数据库一致的数据依赖关系。在这个层次上,系统独立于任何信念或信念演算的度量而运行。我们提供了一个应用程序如何使用这个功能来实现一个信念演算的例子。
2013-03-27 cs.AI
Belief-Guided Decision Making with Uncertainty Gating in the Game of Go
本文针对计算机围棋消费级硬件推理瓶颈与模型幻觉问题,提出信念引导架构,解耦策略头与信念头,结合记忆机制与门控,在有限硬件上实现职业级对弈
2026-09-30 cs.AI
Ranking basic belief assignments in decision making under uncertain environment
Southwest University(西南大学);Guangdong University of Foreign Studies(广东外语外贸大学);The Hong Kong Polytechnic University(香港理工大学);Vanderbilt University(范德堡大学)
Dempster-Shafer理论(D-S理论)在不确定环境下的决策中有着广泛的应用。基本信念分配(BBAs)的排名现在是一个悬而未决的问题。现有的证据距离措施不能排名的BBA的情况下,命题有自己的排名顺序或其固有的接近程度。为了解决这个问题,提出了一种新的排名证据距离(RED)的措施。与已有的Jousselme距离和投注承诺之间的距离等证据距离测度相比,RED测度考虑了系统中命题的顺序,具有更广泛的适用性.如果命题中没有顺序或没有内在的贴近度度量,我们提出的RED度量被减少到现有的证据距离。数值算例表明,在不确定环境下的决策中,RED测度是一种有效的BBA排序方法。
2013-10-28 cs.AI
A Qualitative Linear Utility Theory for Spohn's Theory of Epistemic Beliefs
University of Kansas School of Business(堪萨斯大学商学院)
在本文中,我们制定了一个定性的“线性”效用理论的彩票中的不确定性表示定性使用Spohnian怀疑功能。我们认为,一个理性的决策者面对一个不确定的决策问题,其中的不确定性是定性表达的行为,以最大化“定性预期效用。“我们对定性效用的公理化类似于冯·诺依曼和摩根斯坦为概率彩票开发的公理化。我们比较我们的结果与其他最近的结果在定性决策。
2013-01-16 cs.AI
Practical Issues in Constructing a Bayes' Belief Network
Carnegie Mellon University(卡内基梅隆大学)
贝叶斯信任网络和影响图是构建不确定知识的连贯概率表示的工具。构建这样一个网络来代表专家的知识的过程中,用来说明各种技术,可以促进结构化和量化不确定的关系的过程。这些包括“噪声“或”门“概念的一些概括。贝叶斯网络的通用元素的敏感性分析提供了洞察粗略的概率评估是足够的,当更高的精度可能是重要的。
2013-03-27 cs.AI
Dynamic consistency and decision making under vacuous belief
George Mason University(乔治梅森大学)
经济学中关于无知决策的思想与计算机科学中关于不确定性表示的思想相结合。这一组合为人工代理如何以动态一致的方式行事的问题提供了新的思路。通过对相容性测度采用迭代期望律,形式化了序列相容性的概念。给出了Nehring-Puppe偏好的确定性等价算子序列相容的充要条件。这一结果为不确定性条件下的决策模型提供了新的思路。
2012-02-14 cs.AI
Uncertain Reasoning Using Maximum Entropy Inference
TRW(TRW公司)
在不确定信息的推理中使用最大熵推理通常由信息论论证来证明。本文讨论了一个可能的反对这种信息理论的理由,并说明它可以满足。然后,我比较了最大熵推理与某些其他目前流行的方法不确定推理。在进行这样的比较时,我们必须区分关于信念程度的静态理论和动态理论:静态理论关注的是在给定时间内信念程度的一致性条件;而动态理论关注的是人们的信念程度应该如何根据新信息而变化。指出最大熵推理是一种动态的推理理论,而概率论是一种静态的推理理论,将最大熵推理与概率论相结合,可以得到一个完整的不确定推理理论。我认为,这个总的理论比其他不确定推理的理论有更好的基础。
2013-03-27 cs.AI
Evaluating Theory of (an uncertain) Mind: Predicting the Uncertain Beliefs of Others in Conversation Forecasting
Khoury College of Computer Sciences(库理计算机学院);Northeastern University(东北大学)
研究提出新任务评估心智理论中的不确定性,挑战语言模型在对话预测中量化他人信念的不确定性,实验显示LMs能解释7%方差但任务仍具挑战性。
2024-09-23 cs.AI cs.CL
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
A Model of Multi-Agent Consensus for Vague and Uncertain Beliefs
University of Bristol(布里斯托大学)
研究了多智能体系统中智能体信念模糊和不确定的一致性形成问题。模糊由第三真值状态表示,其含义为\emph{borderline}。这与不确定性的概率模型相结合。然后,提出了一种信念组合算子,它利用边界真值,使代理与冲突的信念,以达成妥协。进行了一些模拟实验中,代理应用该操作员在成对的相互作用,有界的置信度限制下,两个代理的信念必须是足够一致的,才能达成协议。以及孤立地研究的共识运营商,我们也调查的情况下,代理人直接或间接地影响世界的状态。对于前者,我们进行模拟相结合的共识形成与信念更新的证据。对于后者,我们调查的影响,假设代理人的信念越接近真相,他们在共识建设过程中越明显。在所有情况下,应用共识算子会导致种群收敛到一个既清晰又确定的共享信念。此外,将共识形成与证据更新相结合的模拟更快地收敛到一个更接近世界实际状态的共同观点,而不是那些只因为直接接收新证据而改变信念的模拟。最后,如果智能体的相互作用是由信仰质量的相似性来衡量的真实世界的状态,然后单独应用的共识运营商的结果在人口收敛到一个高质量的共享信念。
2018-01-12 cs.AI cs.MA
Isopignistic Canonical Decomposition via Belief Evolution Network
University of Electronic Science and Technology of China(电子科技大学);Institute of Fundamental and Frontier Science(基础与前沿研究院);Vanderbilt University(范德堡大学);School of Medicine(医学院)
本文提出基于信念演化网络的等概率承诺转换,并与超谨慎可转移信念模型结合建立新的典型分解,为统一概率论、Dempster-Shafer理论和可能性理论的信息处理提供理论基础。
2024-08-30 cs.AI
Belief Hierarchical Clustering
LARODEC, ISG(ISG LARODEC实验室);IRISA, Université de Rennes 1(雷恩第一大学IRISA研究所)
在数据采掘领域,已经提出了许多聚类方法,但标准版本不考虑不确定的数据库。本文提出了一种新的方法来聚类不确定性数据,通过使用层次聚类的信念函数框架内定义的。信念层次聚类的主要目标是允许一个对象属于一个或多个聚类。对于每一个归属,关联一定程度的信任,并且基于pignistic属性组合聚类。实际不确定数据的实验表明,该方法可以被认为是一个有利的工具。
2015-01-12 cs.AI cs.DB
The belief noisy-or model applied to network reliability analysis
Northwestern Polytechnical University(西北工业大学);University of Rennes 1(雷恩第一大学)
贝叶斯网络(BN)知识工程的难点之一是条件概率表(CPT)的量化。CPT中包含的参数数量随着父变量的数量呈指数增长。最常见的解决方案是应用所谓的规范门。噪声或(NOR)门,它利用因果相互作用的独立性,提供了指定CPT所需的参数数量的对数减少。本文提出了一种基于信度函数理论的NOR模型的扩展--信度噪声OR(Belief Noisy-OR)。BNOR能够处理网络的偶然性和认识性不确定性。与NOR相比,在现有知识不确定的情况下,可以获得更丰富的信息,对决策有重要的参考价值。特别地,当不存在认知不确定性时,BNOR退化为NOR。此外,本文还提出了不同的BNOR结构,以满足工程师的不同需求。将BNOR模型应用于网络化系统的可靠性评估问题,证明了其有效性。
2016-06-03 cs.AI
Deliberative Reasoning Network: An Uncertainty-Driven Paradigm for Belief-Tracked Inference with Pretrained Language Models
DRN通过不确定性最小化范式提升预训练语言模型的逻辑推理能力,实现高准确率和强泛化性能。
2026-01-21 cs.AI
SOLBP: Second-Order Loopy Belief Propagation for Inference in Uncertain Bayesian Networks
University of Michigan(密歇根大学);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);BI Norwegian Business School(BI挪威商学院);University of Brescia(布雷西亚大学)
在二阶不确定贝叶斯网络中,条件概率仅在分布内已知,即,概率大于概率Delta方法已被应用于扩展精确的一阶推理方法,通过贝叶斯网络派生的和-积网络传播均值和方差,从而表征认知不确定性或模型本身的不确定性。或者,二阶信念传播已被证明为多树,但不是一般的有向无环图结构。在这项工作中,我们将Loopy Belief Propagation扩展到二阶贝叶斯网络的设置,从而产生二阶Loopy Belief Propagation(SOLBP)。对于二阶贝叶斯网络,SOLBP生成的推理与和积网络生成的推理一致,同时计算效率更高,可扩展性更强。
2022-08-16 cs.AI cs.LG stat.ML
Preorder-Based Triangle: A Modified Version of Bilattice-Based Triangle for Belief Revision in Nonmonotonic Reasoning
Indian Statistical Institute(印度统计研究所);Jadavpur University(贾达普大学)
基于双格的三角形为模糊和不确定信息的推理提供了一个优雅的代数结构。但是,基于双格三角形的区间真值和知识排序不能处理重复的信念修正,这是非单调推理的一个基本特征。此外,由双格三角形在区间上诱导的排序有时并不直观。在这项工作中,我们构建了另一种代数结构,即基于前序的三角形,我们制定适当的逻辑连接词。它也表明,基于前序的三角形是一个更好的替代基于双格的三角形推理的应用领域,涉及非单调模糊推理与不确定信息。
2017-11-07 cs.AI
Efficient Policy Learning with Hybrid Evaluation-Based Genetic Programming for Uncertain Agile Earth Observation Satellite Scheduling
本文提出混合评估基于遗传编程方法,解决不确定敏捷地球观测卫星调度问题,通过结合精确和近似过滤模式降低计算成本并提升调度性能。
2026-03-18 cs.AI
A Belief Model for Conflicting and Uncertain Evidence -- Connecting Dempster-Shafer Theory and the Topology of Evidence
Institute for Logic, Language and Computation, University of Amsterdam(阿姆斯特丹大学逻辑、语言与计算研究所)
本文结合 Dempster-Shafer 理论与证据拓扑模型,提出可处理冲突、不完整和不确定证据的广义信念计算框架,并证明其计算通常为 #P-complete。
2023-06-06 cs.AI cs.MA
Reasoning and Facts Explanation in Valuation Based Systems
Institute of Computer Science Polish Academy of Sciences(波兰科学院计算机科学研究所)
在文献中,确定一组复合假设H的优化问题,这将产生$k$最大的$P(H|S_e)$,其中复合假设是网络中除证据节点\cite{KSy:93}之外的所有节点的实例化是非常感兴趣的。这个问题被称为“在贝叶斯信念网络中找到给定证据$S_e$的$k$最合理解释(MPE)”。寻找$k$最可能假设的问题通常是NP难的\cite{Cooper:90}。因此,在过去,已经研究了通过限制$k$(到1或2)、限制结构(例如到单连接网络)或将复杂度转移到空间域来对任务进行各种简化。本文提出了一种遗传算法来克服这些限制,同时通过将遗传算法方法推广到Dempster-Shafer信念演算领域,提出了一种从概率域跨出到一般的基于评估系统(VBS)框架的遗传算法。
2018-12-21 cs.AI
Belief functions induced by random fuzzy sets: A general framework for representing uncertain and fuzzy evidence
Université de technologie de Compiègne(贡比涅技术大学);CNRS UMR 7253 Heudiasyc(法国国家科学研究中心联合研究单位7253 赫迪亚西克实验室);Shanghai University(上海大学);UTSEUS(上海大学中欧工程技术学院);Institut universitaire de France(法兰西大学研究院)
我们重温扎德的概念,“第二类证据”,并表明它提供了基础的一般理论的认知随机模糊集,概括了Dempster-Shafer理论的信念函数和可能性理论。从这个角度来看,Dempster-Shafer理论处理随机集生成的信念函数,而可能性理论处理模糊集诱导的信念函数。更一般的理论使我们能够代表和组合的证据,是不确定的和模糊的。我们证明了这种形式主义的统计推断的应用,并表明,它使得有可能调和的可能性解释的可能性与贝叶斯推断。
2020-10-16 cs.AI math.ST stat.TH
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
A Survey on Uncertainty Reasoning and Quantification for Decision Making: Belief Theory Meets Deep Learning
Virginia Tech(弗吉尼亚理工大学);University of Texas at Dallas(德克萨斯大学达拉斯分校);US Army Research Laboratory(美国陆军研究实验室);University of the District of Columbia(哥伦比亚特区大学);University of Oslo(奥斯陆大学)
对不确定性的深入理解是在不确定性下做出有效决策的第一步。深度/机器学习(ML/DL)已被广泛用于解决涉及处理高维数据的复杂问题。然而,与其他人工智能(AI)领域相比,ML/DL中对不同类型的不确定性进行推理和量化以实现有效决策的探索要少得多。特别是,自20世纪60年代以来,KRR一直在研究信念/证据理论,以推理和测量不确定性,以提高决策效率。我们发现,只有少数研究利用ML/DL中信念/证据理论中成熟的不确定性研究来解决不同类型不确定性下的复杂问题。在这篇调查论文中,我们讨论了几种流行的信念理论及其处理不确定性原因和类型并对其进行量化的核心思想,以及它们在ML/DL中的适用性。此外,我们讨论了在深度神经网络(DNN)中利用信念理论的三种主要方法,包括证据DNN,模糊DNN和粗糙DNN,根据其不确定性原因,类型和量化方法以及它们在不同问题领域的适用性。基于我们的深入调查,我们讨论了见解,经验教训,当前最先进的桥接信念理论和ML/DL的局限性,最后,未来的研究方向。
2022-06-14 cs.AI cs.IT cs.LG
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
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
Implementing a Bayesian Scheme for Revising Belief Commitments
Naval Research Laboratory(海军研究实验室);JAYCOR(JAYCOR公司);Defense Research Establishment Atlantic(大西洋国防研究机构)
我们以前对复杂船舶图像进行分类的工作[1,2]已经发展成为开发用于构建和解决通用分类问题的软件工具的努力。管理与特征数据和其他证据相关的不确定性是这项工作中的一个重要问题。管理不确定性的贝叶斯技术[7,12,13]已被证明对于管理分类问题解决的几个信念维护要求是有用的。其中一个要求是需要对所相信的东西作出定性的解释。Pearl [11]通过计算他所谓的信念承诺来解决这一需求,信念承诺是给定可用证据的所有假设变量的最可能实例。在计算信念承诺之前,Pearl的过程的直接实现涉及到找到一些通常困难的优化问题的解析解。我们描述了一个有效的实现这个过程中使用张量积,解决了这些问题,枚举,避免了个案分析的需要。因此,该程序在一般情况下使用起来更加实用。
2013-03-27 cs.AI
PODDP: Partially Observable Differential Dynamic Programming for Latent Belief Space Planning
自主智能体观察世界状态的能力有限。部分可观测马尔可夫决策过程(POMDPs)对世界状态不确定性下的规划问题进行了形式化建模,但具有连续动作和非线性动力学特性的POMDPs适合于机器人应用,其求解具有挑战性。在本文中,我们提出了一个有效的差分动态规划(DDP)算法的信任空间规划POMDP的不确定性在一个离散的潜在状态,连续的状态,行动,观察,和非线性动力学。这种表示允许规划的动态轨迹是敏感的离散的潜在世界状态的结构化不确定性。我们开发了动态规划技术,以优化一个可能的观测和信念空间轨迹树的应急计划,并得出一个层次版本的算法。我们的方法适用于成本或回报函数不确定的问题(例如,目标或障碍的配置),动态的不确定性(例如,混合系统的动态模式),以及交互的不确定性,其中其他代理的行为取决于潜在的意图。基准测试表明,我们的算法优于流行的启发式方法规划下的不确定性,从一个自主变道任务的结果表明,我们的算法可以合成强大的互动轨迹。
2019-12-14 cs.AI cs.RO
Generalization of Dempster-Shafer theory: A complex belief function
Southwest University(西南大学)
证据理论由于其在不需要先验信息的情况下对不确定性建模的灵活性和有效性,在各个领域得到了广泛的应用。然而,现有的证据理论是不足以考虑的情况下,它没有能力表达的数据在其执行过程中的给定阶段的时间的波动,以及不可避免地涉及到数据的不确定性和不精确性,同时发生的变化的阶段或周期性的数据。因此,本文提出了一种推广的Dempster-Shafer证据理论。具体地说,广义Dempster-Shafer证据理论中的质量函数是用复数来表示的,称为复基本信念赋值,它具有更强的表达不确定信息的能力。在此基础上,开发了一种广义Dempster组合规则。与经典的Dempster合成规则相比,广义的Dempster合成规则取消了证据间冲突系数K<1的条件。因此,它比经典的Dempster组合规则更具有一般性和适用性。当复质量函数从复数退化为实数时,在证据间冲突系数K小于1的条件下,广义Dempster合成规则退化为经典证据理论。总之,这种推广的Dempster-Shafer证据理论为建模和处理更多的不确定信息提供了一种很有前途的方法。
2019-06-27 cs.AI
An effective Genetic Programming Hyper-Heuristic for Uncertain Agile Satellite Scheduling
National University of Defense Technology(国防科技大学)
本文提出了一种有效的遗传编程超启发式方法,用于解决不确定敏捷卫星调度问题,实验显示其在调度策略性能上显著优于传统方法。
2026-02-15 cs.AI cs.NE
Adaptive mine planning under geological uncertainty: A POMDP framework for sequential decision-making
Geology & Sustainable Mining Institute (GSMI), University Mohammed VI Polytechnic (UM6P)(地质与可持续采矿研究所(GSMI),穆罕默德六世理工学院(UM6P));Department of Earth and Planetary Sciences, Stanford University(地球与行星科学系,斯坦福大学)
本文提出将采矿调度建模为部分可观测马尔可夫决策过程,通过混合SA-POMDP架构实现自适应决策,减少预期现实差距并提升净现值。
2026-05-13 cs.AI
Towards a Belief-Based World Model for LLM Agents
UIUC(伊利诺伊大学厄巴纳-香槟分校);IBM(国际商业机器公司)
本研究针对LLM智能体在部分可观测下的决策缺陷,提出BB-WMs,将世界模型的信念暴露给LLM策略,可提升部分可观测任务性能,且与现有基于模拟的世界模型互补。
2026-10-01 cs.AI
Reasoning under Uncertainty: Some Monte Carlo Results
George Mason University(乔治梅森大学)
一系列的蒙特卡洛研究进行比较的行为下的不确定性推理的一些替代程序。几个贝叶斯,线性模型和默认推理程序的行为进行了检查的背景下,不断增加的校准误差水平。最有趣的结果是,贝叶斯程序倾向于输出比其他技术更极端的后验信念值(后验信念接近0.0或1.0),但线性模型相对不太可能输出对错误结论的强有力支持。此外,会计证据项目之间的概率依赖性是重要的贝叶斯和线性更新程序。
2013-03-20 cs.AI
Towards conservative inference in credal networks using belief functions: the case of credal chains
Eindhoven University of Technology, The Netherlands(埃因霍温理工大学,荷兰)
本文提出基于Dempster-Shafer理论在credal chains中传播不确定性的新框架,通过信念与似然函数高效生成保守区间,并对比经典敏感性分析揭示其优势与局限。
2025-07-10 cs.AI math.PR
Investigation of Variances in Belief Networks
Northeastern Illinois University(东北伊利诺伊大学);Illinois Institute of Technology(伊利诺伊理工学院)
信度网络是一种众所周知的图形结构,用于表示联合概率分布中的独立性。在信度网络中进行概率推理的方法,往往把存储在信度网络中的条件概率当作确定的值。然而,如果一个人对概率采取主观主义的或限制频率的方法,那么他就永远不能确定概率值。一个算法不仅应该能够在其他节点被实例化时报告剩余节点的备选方案的概率;它还应该能够报告这些概率相对于存储在网络中的概率的不确定性的不确定性。本文在假定不确定性变量的后验分布可以用先验分布近似的条件下,得到了一种确定推断概率方差的方法。它表明,这个假设是合理的,如果他们是一个合理的置信度的概率存储在网络中。此外,在本文中,一个令人惊讶的上界的先验方差的概率分布的情况下,所有节点的替代品的概率得到的概率分布是贝塔分布。它示出,在一个替代的节点的概率的先验方差是有界以上的条件概率分布的元素中的最大方差为该节点。
2013-03-20 cs.AI
Belief Roadmaps with Uncertain Landmark Evanescence
Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology(计算机科学与人工智能实验室,麻省理工学院)
针对地图陈旧导致地标消失影响机器人定位的问题,提出 Belief Roadmap 的扩展方法 BRULE,利用高斯混合模型在路径规划中捕捉地标消失性,高效更新信念并找到高质量导航方案。
2025-05-01 cs.AI cs.RO
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
A new belief Markov chain model and its application in inventory prediction
Northwestern Polytechnical University(西北工业大学)
马尔可夫链模型在许多领域有着广泛的应用,尤其是预测领域。经典的离散时间马尔可夫链(DTMC)是一种广泛使用的预测方法。然而,当系统具有不确定信息或状态空间不离散时,传统的DTMC模型存在一定的局限性。针对这一问题,将Dempster-Shafer证据理论与马尔可夫链相结合,提出了一种新的信念马尔可夫链模型。该模型允许不确定数据以区间数的形式进行处理,并根据区间数之间的距离生成基本概率分配。新的信念马尔可夫链模型克服了经典马尔可夫链的缺点,具有处理不确定信息的能力。最后,通过库存预测的实例以及与传统DTMC模型的比较,验证了该模型的有效性和合理性。
2017-03-06 cs.AI cs.CE
A quantum dynamic belief decision making model
Northwestern Polytechnical University(西北工业大学)
确定性原理和全概率定律是经典概率论的基本定律。一个析取谬误导致违反这两个经典概率定律。本文提出了一种新的基于量子动力学建模和Dempster-Shafer(D-S)证据理论的量子动力学信念决策模型来解决这个问题,并模拟真实的人类决策过程。一些数学技巧是从量子数学中借用的。一般来说,信念和行动是决策过程中的两个部分。信念部分的不确定性由某些状态的叠加表示。行动中的不确定性被表示为额外的不确定性状态。干扰效应的产生是由于信念与行为之间的纠缠。决策的基本概率分配(BPA)由量子动力学模型生成。然后用额外不确定态的BPA和由熵函数邓熵定义的纠缠度来度量干涉效应。与现有模型相比,本文模型中自由参数的个数较少。最后,一个经典的分类决策实验说明了我们的模型的有效性。
2017-03-06 cs.AI q-bio.NC quant-ph
Propagation of~Interval Belief Structures and~Imprecise Copulas for~Neural Network Verification
LIX, CNRS, École polytechnique, Institut Polytechnique de Paris(LIX、CNRS、巴黎高等学院、巴黎理工研究院)
提出结合区间信念结构与不精确Copula的框架,用于神经网络在输入分布和依赖结构不确定下的定量验证,通过混合不精确Copula体积推导前向传播方法,提供概率安全属性的可靠上下界。
2026-06-29 cs.AI cs.LO math.PR
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
Genetic Algorithm Based Coordination and Optimization Model for Generation Grid Load Storage in Active Distribution Networks
State Grid Tianjin Binhai Electric Power Supply Company(国网天津滨海供电公司);State Grid Tianjin Electric Power Company(国网天津电力公司)
提出一种结合模糊逻辑与遗传算法的优化框架,用于主动配电网中发电、并网、负荷及储能设施的协调与风险评估,通过模糊集处理不确定性,利用遗传算法优化调度,降低技术约束,保持投资水平。
2026-06-23 cs.AI cs.NE
A quantum dynamic belief model to explain the interference effects of categorization on decision making
Northwestern Polytechnical University(西北工业大学)
分类是许多决策任务所必需的。然而,分类过程可能会干扰决策结果,并且在某些情况下可能违反全概率定律。为了预测分类的干扰效应,人们提出了一些基于量子概率的模型。本文提出了一种新的量子动力学信念(QDB)模型。考虑到在决策过程中可能无法做出精确的决策,我们在模型中引入了不确定性的概念来模拟真实的人类思维过程。然后通过对不确定信息的处理,对干扰效果进行分类预测。该模型被应用于一个分类决策实验,以解释分类的干扰效应。与其他模型相比,该模型相对简洁,结果表明了该模型的正确性和有效性。
2017-03-06 cs.AI quant-ph
Utilization of domain knowledge to improve POMDP belief estimation
Honda Research Institute Japan(日本本田研究所)
部分可观测马尔可夫决策过程(POMDP)框架是一种常见的不确定性决策方法。最近,多项研究表明,通过将相关领域知识整合到POMDP信念估计中,我们可以提高学习策略的性能。在这项研究中,我们提出了一种新的方法集成领域知识的概率信念更新POMDP框架中使用杰弗里的规则和规范化。我们表明,领域知识可以利用,以减少数据需求,提高性能的POMDP策略学习与RL。
2023-02-17 cs.AI cs.LG
Genetic Algorithm-based Polar Code Construction for the AWGN Channel
University of Stuttgart(斯图加特大学)
我们提出了一种新的极化码构造框架(即,为加性高斯白噪声(AWGN)信道选择冻结的比特位置),其被定制为给定的解码算法,而不是基于连续消除(SC)解码的(不一定是最佳的)假设。所提出的框架基于遗传算法(GenAlg),其中种群(即,信息集的集合)经由基于它们各自的错误率性能的进化变换而连续地进化。这些种群收敛到一个适合解码行为的信息集。使用我们提出的算法,我们构建了一个极化码的长度为2048,码率为0.5,没有CRC辅助,适合普通的连续消除列表(SCL)解码,实现了相同的错误率性能的CRC辅助SCL解码,并导致1 dB的编码增益在误码率为$10^{-6}$。此外,置信传播(BP)定制的极化码接近SCL错误率性能,而无需对解码算法本身进行任何修改。
2019-01-19 cs.AI cs.IT math.IT
Addressing Moral Uncertainty using Large Language Models for Ethical Decision-Making
本研究提出一种伦理决策框架,通过任务无关伦理层结合LLM生成的多道德视角反馈微调RL模型,利用信念聚合方法生成塑形奖励,帮助智能体应对道德不确定性,提升决策一致性与适应性,减少对人工伦理奖励的依赖。
2025-10-01 cs.AI cs.CY
Non-Bayesian Social Learning with Uncertain Models
US Army Research Laboratory(美国陆军研究实验室);Massachusetts Institute of Technology(麻省理工学院)
非贝叶斯社会学习理论提供了一个框架,模型分布式推理的一组代理在社会网络上进行交互。在这个框架中,每个代理迭代地形成并使用学习规则与他们的邻居交流关于世界未知状态的信念。现有的方法假设代理人可以访问世界状态的精确统计模型(以可能性的形式)。然而,在许多情况下,这些模型必须从有限的数据中学习。我们提出了一个社会学习规则,考虑到使用二阶概率的统计模型中的不确定性。因此,来自不确定模型的信念对每个假设收集的过去证据的数量很敏感。我们的特点是如何以及假设可以在社交网络上进行测试,一致或不与世界的状态。我们显式地显示了所生成的信念的依赖性相对于先前的证据量。此外,当先验证据的数量达到无穷大时,学习就会发生,这与传统的社会学习理论是一致的。
2019-09-27 cs.AI cs.MA cs.SI
The intersection probability: betting with probability intervals
Visual Artificial Intelligence Laboratory(视觉人工智能实验室);Oxford Brookes University(牛津布鲁克斯大学)
概率区间是不确定性推理的一个有吸引力的工具。然而,与信念函数不同的是,它们缺乏在效用理论框架中用于决策的自然概率转换。在本文中,我们提出了使用的相交概率,原来的几何方法的框架中的不确定性,作为最自然的这种变换的信仰功能的变换。我们回顾它的理由和定义,比较它与其他候选代表系统的概率区间,讨论其信用理由的概率单纯形中的一对单形的焦点,并概述了一个可能的决策框架的概率区间,类似于可转移的信念模型的信念函数。
2022-01-05 cs.AI math.PR math.ST
Quantifying Risk Under Evolving Uncertainty: Belief-Dependent Robustness for Safe Sequential Decision Making
Technical University of Munich(慕尼黑工业大学);Masaryk University(马萨里克大学)
本文提出RATTL算法,将智能体谨慎程度与认知不确定性绑定,证明其规划问题适定且满足安全三明治性质,可保障LLM等智能体在不确定性下的运行时安全。
2026-08-20 cs.AI cs.SY eess.SY
Integrating Large Language Models for Genetic Variant Classification
Oncodesign Precision Medicine(昂科赛格精准医学公司)
本研究整合GPN-MSA、ESM1b和AlphaMissense等大型语言模型,利用DNA和蛋白质序列及结构数据,在ProteinGym和ClinVar数据集上提升遗传变异致病性分类的准确性和可靠性,尤其改善了对意义不确定变异的处理。
2024-11-07 cs.AI cs.LG q-bio.GN
Statistical inference with belief functions: A survey
Institute for AI, Data Analysis and Systems (AIDAS)(人工智能、数据分析与系统研究所);School of Engineering, Computing & Mathematics, Oxford Brookes University(工程、计算与数学学院,奥克斯伯里大学)
综述基于信念函数的统计推断方法,探讨如何从统计数据中学习信念测度,并总结该领域的主要贡献。
2026-05-08 cs.AI cs.LG math.ST