Belief revision in the propositional closure of a qualitative algebra
Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Université de Strasbourg(斯特拉斯堡大学);ENGEES(斯特拉斯堡国立水与环境工程学院)
信念修正是一种旨在修正旧信念使其与新信念相一致的操作。信念修正的问题已经在各种形式主义中进行了研究,特别是在定性代数(QA)中,其结果是不一定在QA中表示的信念基的析取。这激发了对形式主义扩展问答系统中信念修正的研究,即它们的命题闭包:在这样的闭包中,信念修正的结果属于形式主义。此外,由于哈珀恒等式,这使得可以定义收缩算子。研究了QA命题闭包中的信念修正问题,设计了修正算子族的一个算法,并在Web上免费提供了一个开源实现.
2014-12-12 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
Belief revision in the propositional closure of a qualitative algebra (extended version)
Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Université de Strasbourg(斯特拉斯堡大学);ENGEES(斯特拉斯堡国立水与环境工程学院)
信念修正是一种旨在修改旧信念,使其与新信念保持一致的操作。信念修正的问题已经在各种形式主义中进行了研究,特别是在定性代数(QA)中,其结果是不一定在QA中表示的信念基的析取。这激发了对形式主义扩展问答系统中信念修正的研究,即它们的命题闭包:在这样的闭包中,信念修正的结果属于形式主义。此外,由于哈珀恒等式,这使得可以定义收缩算子。研究了QA命题闭包中的信念修正问题,设计了修正算子族的算法,并在网络上免费提供了一个开源实现。(This是最初在第14届知识表示和推理原理国际会议上发表的一篇文章的扩展版本。
2014-05-05 cs.AI
Belief in Belief Functions: An Examination of Shafer's Canonical Examples
Decision Science Consortium, Inc.(决策科学联盟公司)
在Shafer-Dempster理论的典型例子中,对感兴趣的假设的信念来自一组辅助假设的概率模型。通过将辅助假设连接到主要假设的子集的兼容性关系来导出信念。置信函数与贝叶斯概率模型的不同之处在于,置信函数不以没有指定概率的证据部分为条件。这种差异的意义,在条件假设说明了两个例子产生相同的信念函数,但不同的贝叶斯概率分布。
2013-03-27 cs.AI
Comparative Uncertainty, Belief Functions and Accepted Beliefs
Institut de Recherche en Informatique de Toulouse(图卢兹计算机科学研究所);Universite Paul Sabatier(保罗·萨巴蒂尔大学)
本文涉及比较信念结构和信念管理的一般看法,在设定的演绎封闭逻辑表示接受的信念。我们发现,经典的演绎封闭和不确定推理之间的兼容性范围涵盖了精确的非单调的“优惠”推理系统的克劳斯,莱曼和Magidor,没有别的。在不确定性推理中,任何可能性或必然性测度都会产生一个被接受的信念结构。产生信念集的概率函数类和Shafer的信念函数类证明是非常特殊的一类。
2013-01-30 cs.AI
Elicitation of Probabilities for Belief Networks: Combining Qualitative and Quantitative Information
University of Pittsburgh(匹兹堡大学);Utrecht University(乌得勒支大学)
虽然信念网络在不确定性推理中的有用性被广泛接受,但获得它们所需的数值概率仍然被认为是一个主要障碍。通常没有足够的统计数据来进行可靠的概率估计。可用信息可能不直接适合在网络中编码。最后,领域专家可能不愿意提供数值概率。在本文中,我们提出了一种方法,从一个领域的专家,是非侵入性的,并容纳任何概率信息的专家愿意国家的概率启发。我们表示所有可用的信息,无论是定性或定量的性质,在一个规范的形式组成的(中)等式表示约束的超空间可能的联合概率分布。然后,我们使用这个标准形式来推导出所需概率的二阶概率分布。
2013-02-20 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
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
Assessing the value of a candidate. Comparing belief function and possibility theories
Institut de Recherche Thomson-CSF(汤姆逊-CSF研究所);Corporate Research en Informatique de Toulouse(图卢兹企业信息研究);Universite Paul Sabatier(保罗·萨巴蒂埃大学);Laboratory Universite Paul Sabatier(保罗·萨巴蒂埃大学实验室)
评估候选人价值的问题在这里被视为一个多重组合问题。一方面,候选人可以根据不同的标准进行评估,另一方面,几位专家应该根据每个标准评估候选人的价值。标准不同等重要,专家不同等胜任或可靠。此外,标准的满意度水平或置信度水平仅假定在线性排序的定性尺度中取值。在两个框架内,可转移的信念模型和定性可能性理论的问题进行了讨论。它们分别为处理问题提供了定量和定性的背景,从而提供了一种比较基本假设性质的方法。
2013-01-23 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
Propagation of Belief Functions: A Distributed Approach
University of Kansas(堪萨斯大学)
在本文中,我们描述了一个计划传播的信念函数在某些种类的树只使用本地计算。该方案概括了Shafer和Logan 1提出的计算方案,用于Gordon和Shortliffe研究的诊断树类型,以及Shafer给出的层次证据的稍一般的方案。它还推广了Pearl提出的贝叶斯因果树方案(见Shenoy和Shafer)。珀尔的因果树和戈登和肖特利夫的诊断树都是将与大问题有关的证据分解为与问题的较小部分有关的较小证据项的方法,以便这些较小的问题可以一次处理一个。为了使概率判断过程可行,这种努力的局部化通常是必不可少的,无论是对做出概率判断的人还是对组合它们的机器。我们的计划的基本结构是一种树,概括了珍珠和戈登和Shortliffe的树。这种一般类型的树允许在珀尔意义上的局部计算。它们基于条件独立性的定性判断。我们相信,我们在这里描述的方案将证明是有用的专家系统。现在很清楚,在专家系统中成功地传播概率或确定性因素需要比在纯产生式系统框架中所能提供的更多的结构。另一方面,贝叶斯方案往往对结构提出不切实际的要求。在树和更一般的网络中传播信任函数站在中间立场,可以做一些明智和有用的事情。我们想强调的是,传播概率的局部计算的基本思想是由Judea Pearl提出的。这是一个非常创新的想法,我们不相信它可以在贝氏文献中找到之前珍珠的工作。我们认为我们的贡献是扩大珍珠的想法的有用性概括它从贝叶斯概率的信念函数。在…
2013-03-27 cs.AI
Qualitative Propagation and Scenario-based Explanation of Probabilistic Reasoning
Carnegie Mellon University(卡内基梅隆大学);Rockwell International Science Center(罗克韦尔国际科学中心)
概率推理的可理解性解释是专家系统和决策支持系统中贝叶斯方法被广泛接受的先决条件。一项关于人类在不确定性下推理的研究提出了两种不同的策略来解释概率推理:第一种是定性信念传播,通过信念网络从一个变量到下一个变量追踪证据的定性效果。这种传播算法是Wellman(1988)的图约简算法的替代,用于定性概率网络中的推理。它是基于一个定性分析的因果关系推理,这是一个概括的珍珠的“解释了”,并替代韦尔曼的定性协同作用的定义。另一种是基于情景的推理,涉及到替代因果“故事”的产生。比较几个最可能的场景提供了一种近似的方法来解释概率推理的结果。这两种方案采用因果关系以及概率知识。概率可以被呈现为短语和/或数字。用户可以控制解释的风格、抽象性和完整性。
2013-03-27 cs.AI
A Qualitative Theory of Cognitive Attitudes and their Change
IRIT-CNRS(法国国家科学研究中心图卢兹计算机研究所);Toulouse University(图卢兹大学)
本文提出一个通用逻辑框架,用于推理智能体的认知态度(如知识、信念、欲望等),并给出两种扩展(选择与动态算子),应用于不完全信息博弈,提供可靠完备的公理化。
2021-02-16 cs.AI cs.LO
Ignorance and the Expressiveness of Single- and Set-Valued Probability Models of Belief
随着时间的推移,概率分布用于表示信念的方式有了很多改进。依赖于单一概率分布的模型描述了感兴趣的命题之间的完整排序,然而人类的信念有时并不完全有序。概率分布的非单例集可以表示偏序信念。凸集是特别方便和表达,但它是已知的,有合理的模式的信念,其忠实的表示需要较少的限制集。本论文表明,事先无知的三个或更多的排他性的替代品和出现的偏序信念时,获得证据藐视任何一组分布的代表,但产量代表波特几个UT。偏序被证明是一个部分定性概率,它与概率分布共享一些直观上吸引人的属性。
2013-02-27 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
Qualitative Possibilistic Mixed-Observable MDPs
IRIT – Paul Sabatier University(IRIT - 图卢兹第三大学(保罗·萨巴蒂埃大学));Onera – The French Aerospace Lab(法国国家航空航天研究中心)
可能性和定性POMDP(pi-POMDP)是POMDP的对应物,用于模拟由于缺乏过去的经验或数据汇集不足而导致代理的初始信念或观察概率不精确的情况。然而,像概率POMDPs,最佳解决pi-POMDPs是棘手的:有限的信念状态空间指数增长与系统的状态数。在本文中,一个可能性版本的混合可观测MDP的解决这个问题:解决pi-POMDP的复杂性,其中一些状态变量是完全可观测的,然后可以显着降低。一个值迭代算法,这个新的配方下无限地平线提出和最优性的返回策略(指定的标准)示出假设存在一个“停留”的行动在一些目标状态。实验工作最后表明,这种可能性模型优于概率POMDPs通常用于机器人技术中,对于目标识别问题,代理的意见是不精确的。
2013-09-26 cs.AI
Features modeling with an $α$-stable distribution: Application to pattern recognition based on continuous belief functions
ENSTA Bretagne(布列塔尼国立高等先进技术学院);Université de Rennes 1(雷恩第一大学)
本文的目的是显示在拟合功能与$α$稳定分布分类不完美的数据的兴趣。因此,监督模式识别基于连续置信函数理论,这是一种考虑数据的不精确性和不确定性的方法。特征分布假定为单峰分布,并由单高斯和$α$稳定模型估计。实验结果首先从合成数据通过组合一维的两个特征并且通过考虑两个特征的向量来获得。利用广义贝叶斯定理,从可扩展性函数计算质量函数。同样的研究适用于三种类型的海底(岩石,淤泥和沙子)与单波束回声测深仪获得的功能的自动分类。我们通过分析定性结果,使用Kolmogorov-Smirnov检验(K-S检验)和定量结果与分类率来评估$α$稳定模型和高斯模型的质量。的信念分类器的性能进行了比较与贝叶斯方法。
2015-01-22 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
A two-step fusion process for multi-criteria decision applied to natural hazards in mountains
Cemagref(法国农业和环境工程研究所);EMSE(圣艾蒂安国立高等矿业学校);ONERA(法国国家航空航天研究院)
山洪和雪崩造成人员和物质损失,后果严重。关于自然现象的知识往往缺乏,需要专门知识,以便使用多学科定量或定性方法进行决策和风险管理。专家知识被认为是一个基于不完全信息的决策过程,这些信息来自或多或少可靠和相互冲突的来源。本文提出了一种将多准则辅助决策方法层次分析法(AHP)与基于信度函数理论的信息融合相结合的方法。模糊集和Possible理论允许将定量和定性标准转换为Dempster-Shafer理论(DST)和Dezert-Smarandache理论(DSmT)背景下的共同决策识别框架。主要问题包括基本的信念分配的启发,冲突识别和管理,融合规则的选择,结果验证,但也在特定的需要,使重要性和可靠性和不确定性之间的差异在融合过程中。
2010-05-06 cs.AI
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
Basic Formal Properties of A Relational Model of The Mathematical Theory of Evidence
Institute of Computer Science Polish Academy of Sciences Warszawa, Poland e-mail: klopotek
本文提出了一种新的观点的Dempster-Shafer信念函数的多样性在关系数据库的措施。证明了在这种解释下,证据合成的Dempster规则对应于关系数据库理论中的连接算子。这种基于粗糙集的解释本质上是定性的,并且可以表示许多置信函数算子。该解释具有的属性,即给定解释域中对象的置信度的定义,我们可以在该域中执行操作,并且所得到的对象的度量可以通过置信度算子从组件对象的度量导出。我们证明了这一属性的Dempster规则的组合,边缘化,谢弗的条件,独立的变量,谢诺伊的概念的条件独立的变量。这种解释是基于粗糙集(与决策表有关),但与以前的这种类型的解释不同的是,它计算的是决策表中的多样性而不是频率。
2017-04-08 cs.AI
Generalizing the Dempster-Shafer Theory to Fuzzy Sets
由于希望将Dempster-Shafer理论应用于证据强度通常不精确和模糊的复杂现实世界问题,已经进行了几次尝试来推广该理论。然而,D-S理论中的重要概念,即置信度函数和可信度函数是上概率和下概率,在这些推广中不再保留。在本文中,我们描述了一个广义的证据理论,在模糊集的置信度是通过最小化的模糊集的概率由一个基本的概率分配的约束下获得的。要制定一个模糊焦点元素的概率约束,我们将其分解成一组辅音非模糊焦点元素。通过将相容关系推广到可能性理论,我们能够证明我们推广到基于可能性分布的Dempster规则。我们的推广不仅扩展了D-S理论的应用,而且说明了一种方法,概率论和模糊集理论可以结合起来,以处理人工智能系统中的各种不确定性信息。
2013-03-27 cs.AI
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
Trust and Its Betrayal under Three Representational Strategies
Rotman School of Management, University of Toronto(多伦多大学罗特曼管理学院)
该研究将信任视为虚拟认知状态,构建三种表征并探究其对Brandenburger-Keisler不可能性的影响,发现不同表征遭遇背叛时的存续方式存在显著差异。
2026-08-04 cs.AI
Belief as Willingness to Bet
CWI(荷兰国家数学与计算机科学研究中心);ILLC, University of Amsterdam(阿姆斯特丹大学逻辑、语言与计算研究所)
我们研究具有两个一元模态算子的高概率模态逻辑:表示概率确定性的算子$K$和表示超过固定理性阈值$c\geq\frac 12$的概率的算子$B$。将知识与知识相结合,将信念与信念相结合,我们可以将$c$看作是智能体的下注阈值,这就引出了“信念就是愿意下注”这句格言。“用于$c=\frac 12$的逻辑$\mathsf{KB.5}$具有一个$\mathsf{S5}$ $K$模态以及一个次正常$B$模态,该次正常$B$模态通过四个与$K$和$B$相关的方案来扩展最小模态逻辑$\mathsf{EMND45}$,其中一个方案是由Scott的定理产生的复杂方案。Lenzen是第一个使用斯科特定理来证明这种逻辑的版本对于概率解释是合理和完整的。我们重新制定Lenzen的结果,并在这里提出他们在一个现代的和可访问的形式。此外,我们引入了一个新的认知邻域语义,将更熟悉的现代模态逻辑。使用斯科特的定理,我们提供了必须施加在有限的认知邻域模型,以保证存在的概率测度尊重阈值$c=\frac 12$的邻域函数以适当的方式的Lenzen衍生的属性。这产生了概率和模态邻域语义之间的联系,我们希望将在未来的工作中使用模态逻辑的定性概率。我们留下开放的问题,必须施加有限的认知邻域模型,以保证存在一个适当的概率阈值$c\neq\frac 12$措施的属性。
2014-12-17 cs.AI cs.LO
Reasoning for Moving Blocks Problem: Formal Representation and Implementation
Institute of Philosophy, University of Warsaw(华沙大学哲学研究所)
提出了定性推理与概率函数相结合的知识表示方法。该方法的目的是表示不确定的,定性的知识,是必不可少的移动块任务的执行。尝试形式化的常识知识进行推理和机器人的信念表示的情况演算语言。该方法在Prolog程序设计语言中实现,并针对特定的模拟场景进行测试。在大多数情况下,实现使我们能够解决给定的任务,即,移动块到所需的位置。给出了机器人推理的实例和实现程序的主要部分代码。
2013-07-28 cs.AI cs.RO
Probabilistically stable revision and comparative probability: a representation theorem and applications
Carnegie Mellon University(卡内基梅隆大学)
本文证明概率稳定信念修正算子的表示定理,给出其完整刻画与选择函数语义,同时得到比较概率理论的两个独立结果,并指出其在投票博弈与显示偏好理论中的应用。
2025-09-02 cs.AI cs.LO econ.TH
A Distance Measure for Random Permutation Set: From the Layer-2 Belief Structure Perspective
Institute of Fundamental and Frontier Science(基础与前沿科学研究院);University of Electronic Science and Technology of China(电子科学与技术大学);Andalusian Research Institute in Data Science and Computational Intelligence(数据科学与计算智能安达卢西亚研究所);Dept. of Computer Science and AI, University of Granada(计算机科学与人工智能系,格拉纳达大学);School of Medicine(医学院);Vanderbilt University(范德比大学);Computer Science and Artificial Intelligence, University of Granada(计算机科学与人工智能,格拉纳达大学)
本文基于第二层信念结构视角,提出了一种基于累积Jaccard指数矩阵的随机置换集距离度量方法,克服了现有方法缺点,兼容Jousselme距离,并具备更高灵敏度与灵活性。
2025-10-12 cs.AI cs.IT math.IT
The Geometry of Knowing: From Possibilistic Ignorance to Probabilistic Certainty -- A Measure-Theoretic Framework for Epistemic Convergence
Black Swan Research Group, GaiaVerse, Ltd.(黑天鹅研究集团,GaiaVerse有限公司)
本文提出一个测度论框架,探讨可能性表示如何在证据积累下转化为概率表示。通过可能性分布和必要度量定义可信集,证明了认知坍缩条件下的收敛过程,并比较了UKF和ESPF在不同机制下的性能。
2026-03-13 cs.AI cs.IT math.IT
Preferential Structures for Comparative Probabilistic Reasoning
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
对不确定性进行推理的定性和定量方法可能会导致不同的逻辑系统来形式化这种推理,即使表达不确定性的语言是相同的。在关于相对似然性的推理的情况下,使用$φ\succsimψ$形式的陈述来表达$φ$至少与$ψ$一样可能,使用预定优先结构的标准定性方法产生与使用概率度量的定量方法截然不同的逻辑系统。事实上,标准的偏好方法验证了从概率的角度来看是不正确的推理原则。然而,在本文中,我们表明,一个自然的修改优惠的方法产生完全相同的逻辑系统作为一个概率的方法-不使用单一的概率措施,而是一套概率措施。因此,在非单调逻辑和信念修正的研究中使用的相同的优先结构可以用于基于不精确概率的比较概率推理的研究。
2021-04-06 cs.AI cs.LO math.LO