GRUET: Quantifying Uncertainty of Agentic Reasoning-and-Acting Processes
针对智能体ReAct过程中轨迹级不确定性导致的可信度问题,提出GRUET方法,通过图建模推理分支空间量化逐轮不确定性并聚合为轨迹级不确定性,在九个LLMs和五个基准上验证了有效性。
2026-09-22 cs.AI
Relation Variables in Qualitative Spatial Reasoning
我们研究的替代流行的方法来建模定性空间推理(QSR)问题的约束满足问题。在标准方法中,对象之间的关系是约束,而在替代方法中,它是变量。关系变量方法大大简化了QSR的集成和实现。为了证实这一点,我们讨论了几个QSR算法从文献中的关系变量的方法减少到习惯的约束传播算法执行广义弧一致性。
2006-08-03 cs.AI
A Generalised Approach for Encoding and Reasoning with Qualitative Theories in Answer Set Programming
University of Huddersfield(哈德斯菲尔德大学);University of Calabria(卡拉布里亚大学);University of California, Santa Barbara(加州大学圣巴巴拉分校)
本文提出了一种基于答案集编程的通用方法,用于处理需要结合定性与非定性推理的问题,并通过实验验证了其有效性。
2020-08-04 cs.AI
Exploiting Functional Dependencies in Qualitative Probabilistic Reasoning
AI Technology Office, Wright R&D Center(莱特研发中心人工智能技术办公室)
函数依赖性限制了概率网络中连接的变量之间的潜在相互作用。在定性概率推理中,可以通过引入确定性变量和修改推理规则来利用这种限制,从而在存在函数关系的情况下产生更强的结论。我描述了如何通过展示涉及概率和确定性变量及其组合的图形转换的更新程序来完成定性概率网络中的这些修改。一个简单的例子表明,增广方案可以减少定性的歧义,将出现没有特殊处理的功能依赖。定性协同分析表明,新的高阶关系需要有效地推理确定性变量之间的协同作用。
2013-03-27 cs.AI
Qualitative Reasoning about Relative Direction on Adjustable Levels of Granularity
University of Bremen(不来梅大学);DFKI GmbH(德国人工智能研究中心);University of Maine(缅因大学)
定性空间推理中的一个重要问题是相对方向的表示。在本文中,我们提出了简单的几何规则,使推理定向点之间的相对方向。这个框架,定向点代数OPRA_m,具有可扩展的粒度m。我们提出了一个计算OPRA_m复合表的简单算法,并证明了它的正确性.使用组合表,一组OPRA语句的代数闭包足以解决空间导航任务。事实证明,可伸缩的粒度在这些导航任务中是有用的。
2010-10-30 cs.AI
GUT: Quantifying and Optimizing the Reasoning Uncertainty of LLMs via Graph Complexity
Nanjing University(南京大学)
该研究针对大语言模型推理存在的不确定性问题,提出GUT方法,通过构建图表征推理分支,设置量化与优化模块,在多模型多数据集上验证了方法的有效性。
2026-09-07 cs.AI
Enrichment of Qualitative Beliefs for Reasoning under Uncertainty
Huazhong Univ of Sci. and Tech.(华中科技大学);University of New Mexico(新墨西哥大学);ONERA(法国航空航天研究院)
本文论述了丰富的定性信念功能下的不确定性推理和组合信息表示的自然语言通过语言标签。在这项工作中,两种可能的丰富(定量和/或定性)的语言标签被认为是和运营商(加法,乘法,除法等)处理他们提出和解释。我们将它们表示为$qe$ -算子,$qe$代表“定性富集”算子。这些算子可以看作是最近在DSmT中提出的经典定性算子($q$ -算子)的直接推广。$q$ -算子也在本文中进行了详细的证明。语言标记的数量富集是$[0,\infty)$中的一个数值支持度,而语言标记的质量富集是在一个有限的有序语言值集合中取值。定量富集不如定性富集精确,但预计更接近人类专家在表达具有支持度的语言标签时可以轻松提供的内容。给出了两个简单的例子来说明如何融合的定性丰富的信念分配。
2007-09-11 cs.AI
Qualitative Probabilistic Networks for Planning Under Uncertainty
MIT Laboratory for Computer Science(麻省理工学院计算机科学实验室)
贝叶斯网络为关于可能性的定性断言提供了概率语义。基于这些断言的代数的定性推理器可以得出关于动作的影响的进一步结论。虽然这些结论比从完全概率分布中计算出来的结论要弱得多,但它们对于建议潜在的行动、消除明显较差的计划、识别重要的权衡和解释概率模型仍然很有价值。
2013-03-27 cs.AI
A Possibilistic Model for Qualitative Sequential Decision Problems under Uncertainty in Partially Observable Environments
IRIT - Universite Paul Sabatier(IRIT - 保罗·萨巴捷大学)
在这篇文章中,我们提出了一个定性(有序)部分可观察马尔可夫决策过程模型(POMDP),其中的不确定性,以及代理的偏好,建模的可能性分布。POMDP模型的这种定性对应依赖于最近开发的不确定性决策的可能性理论。这样的定性框架的一个优点是它能够摆脱随机POMDP的经典障碍,即使在有限的状态空间中,所获得的POMDP的信念状态空间是无限的。相反,在可能性框架中,即使指数地大于状态空间,信念状态空间仍然是有限的。
2013-01-23 cs.AI
Qualitative Models for Decision Under Uncertainty without the Commensurability Assumption
IRIT - Paul Sabatier University(IRIT - 保罗·萨巴蒂埃大学);LIP6 - Paris 6 University(LIP6 - 巴黎第六大学)
本文探讨了一个纯粹的定性版本的萨维奇的理论决策下的不确定性。到目前为止,大多数表示定理偏好行为依赖于效用和不确定性的数值表示,其中效用和不确定性是相称的。打破传统,我们放松这一假设,并引入一个纯粹的序数公理,要求决策者(DM)之间的偏好两个行为只取决于其后果的相对位置,为每个国家。在这个定性的框架内,我们确定了唯一可能的形式的决策规则,并调查了一些情况下兼容的传递性的严格偏好。最后,我们提出了一个温和的放松我们的序数公理,留下一个新的家庭的定性决策规则兼容的传递性的空间。
2013-01-23 cs.AI
Oriented Straight Line Segment Algebra: Qualitative Spatial Reasoning about Oriented Objects
University of Maine(缅因大学);University of Bremen(不来梅大学)
大约15年前,Schlieder提出了一组定向直线段(偶极子)之间的定性空间关系。这项工作在定性空间推理社区中引起了极大的兴趣。然而,事实证明,很难建立一个健全的约束演算基于这些关系。在本文中,我们提出了一个新的调查结果偶极子约束结石,使用代数方法来推导出声音的结果的组成关系和其他性质的偶极子结石。我们的研究结果是基于一个浓缩的语义的偶极关系。与通常使用的点相反,偶极子被延伸并且具有固有方向。这两个特征都是自然物体的重要属性。这使得一个简单的表示空间代理的原型推理任务。作为一个例子,我们展示了如何生成调查知识,从当地的观察街道网络。这个例子说明了快速约束为基础的推理能力的偶极演算。我们将我们的结果整合到两个推理工具,这是公开的。
2009-12-30 cs.AI
Refining Reasoning in Qualitative Probabilistic Networks
Imperial Cancer Research Fund(帝国癌症研究基金会);Queen Mary and Westfield College(玛丽女王与西菲尔德学院)
近年来,出现了大量描述不使用数值概率的概率推理系统的论文。在某些情况下,这些系统使用的简单值集使得无法预测概率将如何变化,或者哪个假设最有可能得到某些证据。本文集中在这种情况下,并提出了一些方法,它们可以通过改进的表示来解决。
2013-02-20 cs.AI
Model-Based Diagnosis with Qualitative Temporal Uncertainty
RWTH Aachen(亚琛工业大学)
在本文中,我们描述了一个框架,基于模型的诊断的动态系统,扩展了以前的工作在这一领域中使用和表达的时间不确定性的形式的定性区间关系的一个艾伦。基于定性和定量的时间约束扩展的逻辑框架,我们展示了如何描述行为模型(一致性和溯因),讨论如何使用抽象的观察,并显示如何计算抽象的时间诊断。这产生了一个表达框架,它允许表示复杂的时间行为,使我们能够表示时间的不确定性。由于它的抽象能力,计算独立于时间设置中的观测和时间点的数量。在整个论文中使用了肝炎诊断的一个例子。
2013-02-27 cs.AI
Argument Graph Uncertainty: Quantifying Uncertainty from the Logical Structure of Reasoning Chains
Fraunhofer Heinrich-Hertz-Institut(弗劳恩霍夫海因里希·赫兹研究所)
本研究提出 Argument Graph Uncertainty 框架,通过分析推理链的逻辑结构量化不确定性,在 GPQA 等数据集上优于基线方法,可作为不确定性集成的互补组件。
2026-10-14 cs.AI
PlanU: Large Language Model Reasoning through Planning under Uncertainty
Fujian Key Laboratory of Sensing and Computing for Smart Cities, School of Informatics, Xiamen University(福建智慧城市感知与计算重点实验室,信息学院,厦门大学);Key Laboratory of Multimedia Trusted Perception and Efficient Computing, XMU(多媒体可信感知与高效计算重点实验室,XMU);School of Computer, National University of Defense Technology(计算机学院,国防科技大学)
针对LLM在不确定性下多步推理表现不佳的问题,提出基于MCTS的规划方法PlanU,通过分位数分布建模节点回报并引入UCC分数平衡探索与利用,有效提升了不确定性下的LLM推理性能。
2025-11-05 cs.AI
Algebraic Properties of Qualitative Spatio-Temporal Calculi
University of Bremen(不来梅大学);DFKI GmbH(德国人工智能研究中心有限公司)
定性时空推理是基于所谓的定性演算。这些演算的代数性质对推理算法有几个影响。但什么是定性演算?在何种程度上提出的定性演算满足这些要求?文献对第一个问题提供了各种答案,但对第二个问题只有很少的事实。在本文中,我们确定的最低要求,二进制时空演算,我们讨论了相关的公理表示和推理。我们还分析了现有的定性演算,并提供了一个分类,涉及不同的概念的关系代数。
2013-09-13 cs.AI
Integrating cardinal direction relations and other orientation relations in Qualitative Spatial Reasoning
我们提出了一个演算集成两个演算著名的定性空间推理(QSR):弗兰克的投影为基础的基本方向演算,和一个粗糙的版本Freksa的相对方向演算。提出了一种新颖的约束传播过程,实现了两个集成演算之间的交互。考虑到相互作用的重要性示出了一个真实的例子,提供了一个不一致的知识库,其不一致性(a)不能通过分别对知识的两个组件中的每一个进行推理来检测,仅仅是因为,单独考虑,每个组件都是一致的,但是(b)通过所提出的算法来检测,这要归功于从两个组件中的每一个组件传播到另一个组件的相互作用知识。
2004-10-05 cs.AI
Towards Explainable Inference about Object Motion using Qualitative Reasoning
The Australian National University(澳大利亚国立大学)
长期以来,人们一直希望能够对物理过程进行可解释的推断。一个基本的物理过程是物体运动。推断是什么导致了一组物体的运动对于专家来说甚至可能是一项具有挑战性的任务,例如,法医学的研究文献中的大多数工作依赖于物理模拟来得出这样的推论。模拟需要一个精确的模型的基础域工作良好,基本上是一个黑盒子,从中人们很难得到任何有用的解释。相比之下,定性推理方法在对模糊信息进行透明推理方面具有优势,这使得它适合于这项任务。然而,一直没有合适的定性理论提出的物体在三维空间中的运动。在本文中,我们接受这一挑战,并制定了一个定性理论的运动刚性物体。基于这个理论,我们开发了一个推理方法来解决一个非常有趣的问题:假设有几个物体最初是静止的,现在已经开始移动。我们想推断是什么动作引起了这些物体的运动。
2018-07-28 cs.AI
Partial Reasoning in Language Models: Search and Refinement Guided by Uncertainty
Advanced Knowledge Center for Immersive Technologies (AKCIT)(沉浸式技术高级知识中心);Federal University of Goiás, Brazil(巴西戈亚斯联邦大学);OATML, University of Oxford(牛津大学OATML)
PREGU通过监控输出熵并在不确定时触发局部搜索,提升语言模型在多步骤推理任务中的性能。
2026-01-17 cs.AI
Sequential Probabilistic Uncertainty Estimation for Parallel Multi-Agent Reasoning Systems
Rutgers University(罗格斯大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Vanderbilt University(范德堡大学);Columbia University(哥伦比亚大学)
针对并行多智能体推理系统,提出轻量级无需训练的SAUCE不确定性估计器,通过序贯推断系统级信念,在多个基准上优于现有基线。
2026-10-08 cs.AI
WebUncertainty: Dual-Level Uncertainty Driven Planning and Reasoning For Autonomous Web Agent
Hefei University of Technology(合肥工业大学);Academy of Cyber, CETC Group(中国电子科技集团 Cyber 学院)
本文提出WebUncertainty框架,通过双层不确定性驱动的自适应规划和蒙特卡洛树搜索机制,提升自主网络代理在动态交互和长周期任务中的规划与推理能力。
2026-04-21 cs.AI
Credal Valuation Networks for Machine Reasoning Under Uncertainty
RMIT University(皇家墨尔本理工大学);Trinity College Dublin(都柏林圣三一学院);Defence Science and Technology Group(国防科学技术集团)
当代事业为机器推理和人工智能在以不确定性、敌意和大量数据为特征的情况下的广泛应用提供了无限的机会。本文开发了一个评估网络作为一个图形系统,用于在不确定性下进行更高层次的融合和推理,以支持人类操作员。估值是(不确定的)知识和收集的数据的数学表示,表示为信用集,定义为不精确概率理论框架中的相干区间概率。基本操作与这样的credal集,组合和边缘化,定义为满足公理的赋值代数。一个实际的实施方案的信用评估网络进行了讨论,并证明其效用的一个小规模的例子。
2022-08-04 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
Modeling Uncertainty and Imprecision in Nonmonotonic Reasoning using Fuzzy Numbers
Indian Statistical Institute(印度统计研究所);Jadavpur University(贾达普大学)
为了处理推理中的不确定性,区间值逻辑被发展起来。但是,统一的区间不能捕捉区间中不同值的置信度差异。为了解决这个问题,三角形和梯形模糊数被用作真值集以及传统的区间。在定义于$[0,1]$上的模糊数集合上定义了基于前序的真值和知识序。基于这一增强的认知状态集,开发了一个答案集框架,并适当定义了逻辑连接词。这种框架在规则可能包含例外的非单调环境下,对具有模糊和不确定信息的知识表示和推理是有效的。
2020-01-03 cs.AI
Learning More by Training Less: Uncertainty-Guided Progressive Contraction for Efficient Reasoning Post-Training
National University of Singapore(新加坡国立大学);Nanjing University(南京大学);Fudan University(复旦大学);The University of Sydney(悉尼大学);The Chinese University of Hong Kong(香港中文大学);Nanyang Technological University(南洋理工大学)
本研究针对大型语言模型推理后训练成本过高问题,提出不确定性引导渐进收缩框架,仅用全数据SFT 0.22%的优化预算,在保持或提升推理性能的同时实现训练加速,且泛化性良好。
2026-10-12 cs.AI
ChainUQ: Reasoning Consistency-Aware Uncertainty Quantification for Large Language Models
Florida State University(佛罗里达州立大学)
ChainUQ提出推理一致性感知的不确定性量化框架,通过对齐感知轻量级模块和一致性校准器,提升LLM响应级置信度可靠性,在AUROC和ECE上显著改善且可迁移。
2026-09-23 cs.AI
Reasoning in Non-Probabilistic Uncertainty: Logic Programming and Neural-Symbolic Computing as Examples
University of Bremen(不来梅大学);City University London(伦敦城市大学);University of Edinburgh(爱丁堡大学);University of Luxembourg(卢森堡大学);University of Amsterdam(阿姆斯特丹大学)
本文旨在实现两个目标:表明概率不是处理不确定性的唯一方法(甚至还有一些不确定性是由于概率方法无法解决的原则性原因);并提供证据证明基于逻辑的方法可以很好地支持不确定性推理。对于后者的要求,两个范例:逻辑编程与Kleene语义建模推理的话语中的信息,对预期模型的状态的事务的解释,和神经符号实现的输入/输出逻辑处理不确定性在动态规范的上下文中。
2017-03-01 cs.AI
SELFDOUBT: Uncertainty Quantification for Reasoning LLMs via the Hedge-to-Verify Ratio
Independent Researcher(独立研究员);Zillow Group(Zillow集团)
SELFDOUBT是一种单次通过的不确定性框架,通过从推理轨迹中提取行为信号解决推理大语言模型的不确定性量化问题,其核心信号Hedge-to-Verify比率能检测推理轨迹中的不确定性标记及自我检查行为,适用于任何私有API的部署。
2026-04-07 cs.AI
Scalable Uncertainty Reasoning in Knowledge Graphs
University of Stuttgart, Stuttgart, Germany(斯图加特大学)
本文提出模块化框架,通过定制技术处理知识图谱中不确定性三个层次:概率属性值、概率三元组存在性和不完整模式知识,旨在平衡语义精度与计算可行性。
2026-05-15 cs.AI
Learning and Reasoning for Robot Sequential Decision Making under Uncertainty
SUNY Binghamton(纽约州立大学宾汉姆顿分校);University of Indianapolis(印第安纳波利斯大学)
机器人经常面临需要多个动作的复杂任务,其中顺序决策(SDM)功能变得必要。这项工作的关键贡献是一个机器人SDM框架,称为LCORPP,支持同时的能力,监督学习被动状态估计,自动推理与人类知识的陈述,并规划下实现长期目标的不确定性。特别是,我们使用一个混合推理范式来完善的状态估计,并提供信息先验的概率规划。在实验中,移动机器人的任务是估计人类的意图,使用他们的运动轨迹,声明性的上下文知识,和人机交互(基于对话和基于运动)。结果表明,在效率和准确性,我们的框架表现优于其无学习和无推理的办公环境。
2019-12-10 cs.AI
An Experimental Comparison of Numerical and Qualitative Probabilistic Reasoning
Institute for Decision Systems Research(决策系统研究所);Stanford University(斯坦福大学)
定性和无穷小概率方案与概率论的公理一致,但避免了对精确数值概率的需要。使用定性概率可以大大减少知识工程的工作量,提高结果的鲁棒性。我们实验研究如何以及无穷小的概率(kappa演算的Goldszeland和珍珠)执行诊断任务-故障排除的汽车,将无法启动与传统的数值信念网络比较。我们发现,在识别真正的故障的无穷小方案是一样好的数值方案。无穷小方案的性能显着的先验故障概率大于0.03。这些结果表明,无穷小概率方法可能是具有很大的实用价值的机器诊断与小的先验故障概率。
2013-02-27 cs.AI
Probabilistic Inference and Probabilistic Reasoning
University of Rochester(罗切斯特大学)
不确定性至少以两种方式进入人类的推理和推断。我们有理由假设,这些不同的不确定性用途在自动推理中也会发挥作用。
2013-03-27 cs.AI
Process, Structure, and Modularity in Reasoning with Uncertainty
Oregon State University(俄勒冈州立大学)
不确定性管理的计算机制必须支持交互式和增量式的问题制定、推理、假设检验和决策。然而,目前大多数不确定性推理系统主要集中在推理,并提供更大的问题没有支持。我们提出了一种计算方法的不确定性管理提供了直接支持的动态,增量方面的这项任务,而在同一时间允许直接表示的证据关系的结构。同时,我们表明,这种方法响应于Heckerman和Horvitz [Heck87]的模块化问题。本文强调这种方法的能力的例子。另一篇论文[D'Am89]详细介绍了所涉及的表示和算法。
2013-03-27 cs.AI
A Trajectory Calculus for Qualitative Spatial Reasoning Using Answer Set Programming
University of Huddersfield(哈德斯菲尔德大学);University of Calabria(卡拉布里亚大学);Swinburne University of Technology(斯威本科技大学)
空间信息通常使用定性术语(如自然语言表达式)而不是坐标来表示;对这些术语的推理有几个实际应用,如公交线路规划。轨迹的表示和推理是定性空间推理的一个具体案例,它侧重于移动对象及其路径。在这项工作中,我们提出了两个版本的轨迹演算的基础上允许的属性超过轨迹,轨迹被定义为一个序列的非重叠区域的分区地图。更具体地,如果允许给定轨迹在同一区域开始和结束,则定义6个基本关系(TC-6)。如果一个给定的轨迹应该有不同的开始和结束区域,但允许循环,定义10个基本关系(TC-10)。这两个版本的演算实现为ASP程序,我们提出了几种不同的编码,包括一个通用的程序能够编码任何定性演算在ASP。所有建议的编码实验评估使用真实世界的数据集。实验结果表明,表现最好的实现可以扩展到250轨迹TC-6和150轨迹TC-10的问题,发现一个一致的配置,一个显着的改进,以前的ASP实现类似的定性空间和时间演算的输入。这份手稿正在考虑接受TPLP。
2018-04-19 cs.AI
Action Networks: A Framework for Reasoning about Actions and Change under Uncertainty
Rockwell Science Center(罗克韦尔科学中心)
这项工作提出了行动网络作为一个语义上有充分依据的框架推理下的行动和变化的不确定性。行动网络为概率因果网络增加了两个基本元素:可控变量和持久变量。可控变量允许将动作表示为直接设置域中特定事件的值,但要遵守前提条件。持久性变量提供了一个持久性的规范模型,根据这个模型,变量的状态和决定其值的因果机制都随着时间的推移而持续存在,除非受到动作(或其后果)的干预。行动网络还允许不同的方法来量化因果关系中的不确定性,这超出了传统的概率量化。本文介绍了最近的成果和工作进展。
2013-02-27 cs.AI
A Qualitative Model for Reasoning about Path and Support
Umeå University(于默奥大学)
本文针对Camelot Jr.积木拼图游戏,提出一种结合质心稳定性逻辑的混合定性推理模型,以支持空间技能训练和可解释的游戏智能体开发。
2026-09-18 cs.AI
Efficient algorithm for estimation of qualitative expected utility in possibilistic case-based reasoning
Swinburne University of Technology(斯威本科技大学)
我们提出了一个有效的算法估计的可能性为基础的定性期望效用。它对决策机制很有用,其中每个可能的决策都被分配了一个多属性可能性分布。基于离散化计算期望效用的普通方法的计算复杂性随着属性的数量呈指数增长,并且可能在这些属性的数量很高时变得不可行。我们提出了一系列定理和引理证明我们的算法的正确性,具有线性计算复杂性。我们的算法已被应用于选择最有前途的合作伙伴在多方多属性谈判的背景下,也可以用于决策过程中的潜在报价作为其他类似的问题。
2012-07-04 cs.AI
A Unified Framework for Nonmonotonic Reasoning with Vagueness and Uncertainty
Indian Statistical Institute(印度统计研究所);Jadavpur University(贾达夫普尔大学)
针对模糊和不确定信息下的非单调推理问题,提出了一种区间值模糊答案集规划方法。$[0,1]$的子区间集被认为是真值空间。使用基于前序的真值和知识排序对区间进行排序。基于前序的排序是基于双格的排序的增强版本。该系统可以表示和推理优先规则,规则与例外。提出了一种计算答案集的迭代法。利用差分方程的概念,给出了一类逻辑程序迭代终止的充分条件。
2020-08-05 cs.AI
Trace Length is a Simple Uncertainty Signal in Reasoning Models
University of Southern California(南加州大学);Stanford University(斯坦福大学);Apple(苹果公司)
本研究表明推理轨迹长度是大型推理模型中简单且有用的置信度估计器,其效果与言语化置信度等零样本方法相当且互补,并揭示了推理后训练从根本上改变了轨迹长度与准确率的关系,确立了轨迹长度作为实用置信度度量的地位。
2025-10-12 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
UPAIR: Diagnosing Reasoning States via Uncertainty-Progress Alignment for Selective Intervention
University of Science and Technology of China(中国科学技术大学)
研究大型推理模型测试时的“过度思考”问题,提出相位动量对齐假设并构建认知能量模型,引入PUMA框架,通过分层诊断架构区分主动探索与被动停滞,在多基准实验中优于现有基线,实现更好的准确性-效率权衡和跨域泛化。
2026-08-12 cs.AI
Unlocking Exploration in RLVR: Uncertainty-aware Advantage Shaping for Deeper Reasoning
Kuaishou Technology(快手科技)
本文提出UCAS方法,通过不确定性感知的优势塑造提升RLVR中的推理能力,解决探索效率低和熵崩溃问题,实验表明在多个数学推理基准上表现优异。
2026-04-16 cs.AI
Reasoning With Qualitative Probabilities Can Be Tractable
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
我们最近描述了一种形式主义,用于使用“若-则”规则进行推理,这些规则以不同的坚定性水平重新表达[18]。形式主义将这些规则解释为极端条件概率陈述,指定了不可信的数量级,这对世界的可能排名施加了约束。结果表明,一旦我们计算的优先级函数Z+的规则,一个给定的查询被确认或拒绝的程度可以计算在O(log n`)命题可满足性测试,其中n是在知识库中的规则的数量。在本文中,我们证明了计算Z+需要O(n2 X log n)的可满足性测试,而不是在[18]中列出的指数数,这在Horn表达式的情况下降低到多项式复杂度。我们还展示了如何推理与不精确的意见,可以纳入我们的形式主义,以及如何流行的信念修正和认知的战壕概念体现自然和听话。
2013-03-13 cs.AI
Qualitative Measures of Ambiguity
University of Regina(里贾纳大学)
本文介绍了一种模糊度的定性度量方法,并分析了它与其它不确定度度量方法的关系。概率衡量的是相对的可能性,而模糊性衡量的是这些判断的正确性。歧义是不确定性知识的一种重要表现形式。它处理的是一种不同类型的不确定性,由主观概率或信念建模。
2013-03-06 cs.AI
Exact Reasoning Under Uncertainty
Stanford University(斯坦福大学)
本文的重点是设计专家系统,以支持决策在复杂的,不确定的环境。在这种情况下,我们的研究表明,严格的概率表示,使决策理论推理的使用,是非常可取的,最近提出的替代方案(例如,模糊集理论和Dempster-Shafer理论)。此外,我们还讨论了语言的影响图和相应的方法-决策分析-使决策理论被有效地和高效地用作决策辅助。最后,我们使用RACHEL,一个系统,帮助不孕夫妇选择医疗,说明决策分析的方法,作为专家决策系统的基础。
2013-03-27 cs.AI
A Neuro-Symbolic Framework for Reasoning under Perceptual Uncertainty: Bridging Continuous Perception and Discrete Symbolic Planning
The University of Hong Kong(香港大学);Guangzhou College of Commerce(广州商学院)
针对AI系统中连续感知与离散符号推理的连接挑战,提出一种神经符号框架,通过概率符号状态提取与不确定性感知规划器实现感知到规划的不确定性建模与传播,在桌面机器人操纵任务中取得优于POMDP基线的性能,且具通用性。
2025-11-18 cs.AI
Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories
University of California, Davis(加州大学戴维斯分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Virginia Tech(弗吉尼亚理工大学);Meta AI;Adobe Research(Adobe研究)
本文提出SMART框架,将谄媚行为视为推理优化问题,通过不确定性感知的自适应蒙特卡洛树搜索和基于进展的强化学习两阶段方法,在保持模型通用能力的同时显著减少谄媚行为。
2025-09-20 cs.AI
Uncertainty Under the Curve: A Sequence-Level Entropy Area Metric for Reasoning LLM
本文提出序列级 Entropy Area Score(EAS),通过整合模型自身 token 级预测熵衡量推理型 LLM 生成不确定性,并在数据选择中优于 Pass Rate 过滤。
2025-08-28 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
Deciding the Satisfiability of Combined Qualitative Constraint Networks
本文提出统一多种定性形式化方法的框架,通过两个定理证明可满足性判断的多项式复杂性,并扩展了定性形式化方法的定义。
2026-02-09 cs.AI
Fine-grained Qualitative Spatial Reasoning about Point Positions
University of Bremen(不来梅大学)
在空间环境中持续存在的能力不仅是机器人的一个基本特征。位置知识是空间的一个重要方面,在空间认知的研究领域中,已经开发了许多表示这些信息的方法。本文介绍了定性空间表示和推理的基本技术,并简要回顾了几种演算。综述了定性演算的特点和应用。一个新的演算表示和推理的定性空间方向和距离正在设计中。它支持点的三元关系上的任意粒度级别。提高组合物的复杂性的方法和实现的演算证明了它的能力。现有的定性空间演算的位置信息进行比较的新方法和未来研究的可能性进行了概述。
2019-11-15 cs.AI cs.RO
Analysis and Extension of the Evidential Reasoning Algorithm for Multiple Attribute Decision Analysis with Uncertainty
Northwestern Polytechnical University(西北工业大学)
在多属性决策分析(MADA)问题中,往往需要处理具有不确定性的评价信息。证据推理方法是处理此类MADA问题的有效方法之一。作为证据推理方法的核心,Yang等人首先提出了一个原始的证据推理(ER)算法,然后他们对ER算法进行了改进,以满足所提出的四个合成公理,而这四个公理是一个合理的聚集过程所需要满足的。然而,到目前为止,这两种ER算法的本质区别以及综合公理的合理性仍然不清楚。本文在Dempster-Shafer理论(DST)框架下对ER算法进行了分析,证明了原ER算法遵循可靠性折扣和组合方案,而改进的ER算法遵循重要性折扣和组合方案。进一步揭示了这四个综合公理并不是检验一个属性聚合算法合理性的有效准则。在此基础上,提出了一种扩展的ER算法,该算法综合考虑了属性的可靠性和重要性,为不确定性MADA提供了一种更通用的属性聚合方案.以摩托车性能评估问题为例说明了该算法的有效性。
2019-03-28 cs.AI
Know What You Know: Metacognitive Entropy Calibration for Verifiable RL Reasoning
EGPO通过整合内在不确定性提升强化学习推理性能,实现稳定且不确定性的策略优化。
2026-02-26 cs.AI
Quantifying Consistency in LLM Logical Reasoning via Structural Uncertainty
AWS Generative AI Innovation Center(AWS生成式AI创新中心)
提出结构不确定性框架,通过自偏好排序的稳定性评估LLM推理一致性,在逻辑和数学任务中与答案分散度互补,提升不可靠实例识别。
2026-06-17 cs.AI