The Probability of a Possibility: Adding Uncertainty to Default Rules
University of British Columbia(不列颠哥伦比亚大学)
我们提出了一个语义添加不确定性的条件逻辑默认推理和信念修订。我们能够将条件句视为条件概率的陈述,并表达修改规则,例如“如果A被相信,那么B将被相信为p度。“这种修改方法通过允许概率为零的句子进行有意义的修改来扩展条件化。这是通过使用反事实概率来实现的。因此,我们的系统占定性方法的更新(特别是,AGM理论的修订)和概率方法的最佳性能。我们还展示了如何我们的系统可以被看作是一个统一的概率论和可能性理论,突出其正交性,并提供了一种手段来表达概率的可能性。我们还展示了连接到刘易斯的成像方法。
2013-03-06 cs.AI
Certain Bayesian Network based on Fuzzy knowledge Bases
Research Group on Intelligent Machines(智能机器研究组);National School of Engineers(国家工程师学校)
在本文中,我们试图检查之间的权衡模糊逻辑和某些贝叶斯网络,我们提出了结合各自的优势到模糊确定贝叶斯网络(FCBN),模糊随机变量的确定贝叶斯网络。本文论述了不确定性的不同定义和分类、不确定性的来源以及处理不确定性的理论和方法。将明确的确定性程度模糊化为模糊变量,提高了网络的质量,并往往带来网络性能的平滑性和鲁棒性。其目的是提供一种新的方法,结合三种方法:贝叶斯网络,确定性分布和模糊逻辑的不确定性下的决策。在本文提出的框架内,我们解决的问题,扩展某些网络的模糊某些网络,以应付现有模型的不精确和不确定的知识下的决策的复杂性和局限性。
2012-06-05 cs.AI
Formal Model of Uncertainty for Possibilistic Rules
University of Oklahoma(俄克拉荷马大学);SUNY-Binghamton(纽约州立大学宾汉姆顿分校)
给定一个讨论X的宇宙(一个可能结果的领域),一个实验可能包括选择其中一个元素,服从偶然性的操作,或者观察元素,服从不精确性。关于实验实际结果的先验不确定性可以被量化,表示选择r_X的可能性或任何这样的X适合作为结果描述的程度。前一种情况对应于一个概率分布,而后一种情况给出了X上的一个可能性分配。这种分配及其性质的研究属于可能性理论的范畴[DP 88,Y 80,Z 783。它和概率论一样,分配0到1之间的值来表示结果的可能性。然而,相似之处到此为止。可能性理论使用最大值和最小值函数来组合不确定性,而概率理论使用加号和乘法运算。这导致理论在分析框架方面非常不同,尽管它们共享一些语义概念。其中一个共同的概念是定量地表达与给定分布相关的不确定性。在概率论中,它的值对应于进行实验和确定实际结果所获得的信息。这种信息的获得同样可以被看作是实验结果不确定性的减少。在这种情况下,信息的标准度量以及不确定性是香农熵[AD 75,G77]。它有几个优点--它的特点是只有几个非常自然的性质,而且它可以方便地用于决策过程。这个应用程序是基于最大熵的原则,它已成为一个流行的方法,有关决策的不确定性。本文论证了在可能性理论的基础上可以建立一个同等完整的理论。我们首先展示了如何定义的信息和不确定性的可能性分配措施。接下来,我们构建一个基于信息的度量空间上的所有可能性分布定义在一个给定的域。它使我们能够捕捉到分布…
2013-03-20 cs.AI
Calculating Uncertainty Intervals From Conditional Convex Sets of Probabilities
Universidad de Granada(格拉纳达大学)
在Moral,Campos(1991)和Cano,Moral,Verdegay-Lopez(1991)中,提出了一种新的概率条件化凸集的方法。它的结果是一个凸集的不一定归一化的概率分布。每个概率分布的归一化因子被解释为由条件信息分配给它的可能性。由此可以推断,事件的条件概率的自然值是一个可能性分布。本文的目的是研究将这种可能性分布转化为概率(或不确定性)区间的方法。这些方法将基于Sugeno和Choquet积分的使用。他们的行为将比较的基础上,一些选定的例子。
2013-03-13 cs.AI
A Comparison of Axiomatic Approaches to Qualitative Decision Making Using Possibility Theory
University of Kansas(堪萨斯大学)
在本文中,我们分析了两个最近的公理化方法提出的Dubois等人和Giang和Shenoy定性决策的不确定性描述的可能性理论。这两个公理化的灵感来自冯诺依曼和摩根斯特恩的公理系统的情况下概率论。我们表明,我们的方法自然地统一了两个公理系统,分别对应于Dubois等人提出的悲观和乐观的决策标准。简化统一是通过(i)替换公理,应该反映两种信息态度(不确定性厌恶和不确定性吸引力)的公理,规定了一套标准的彩票和(ii)使用二进制效用量表,其中每个效用水平由一对数字表示。
2013-01-10 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
Conditional Independence in Uncertainty Theories
本文介绍了基于赋值系统(VBS)中的独立性和条件独立性的概念。VBS是一个公理化框架,能够表示许多不同的不确定性演算。我们定义的独立性和条件独立的联合估值的因式分解。VBS中独立性和条件独立性的定义推广了概率论中的相应定义。我们的定义不仅适用于概率论,也适用于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。事实上,它们适用于任何适合基于估值的系统框架的不确定性计算。
2013-03-13 cs.AI
Survey of Various Fuzzy and Uncertain Decision-Making Methods
本文综述了考虑不确定性的多准则决策方法,分类了任务导向的体系结构,总结了问题设置、权重获取及跨准则结构,并对比了不同解决方案,提供了选择方法的指导。
2026-03-16 cs.AI cs.CE cs.CY
How Confident are Video Models? Empowering Video Models to Express their Uncertainty
Princeton University(普林斯顿大学)
针对视频生成模型易产生幻觉、缺乏不确定性量化方法的问题,本文提出首个生成式视频模型UQ框架,含评估指标、黑盒方法S-QUBED及专用数据集,实验验证其能有效分解并校准不确定性。
2025-10-02 cs.AI cs.CL cs.CV
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
On reasoning in networks with qualitative uncertainty
Queen Mary and Westfield College(玛丽女王与韦斯特菲尔德学院);Imperial Cancer Research Fund(帝国癌症研究基金)
本文提出了一种新的方法,定性推理下的不确定性的一些初步工作。该方法不仅适用于定性概率推理,是与其他方法的情况下,但也允许基于可能性理论和Dempster-Shafer证据理论的值的网络内的定性传播。该方法适用于两个简单的网络,从其中一个大类的有向图可以构造。这种分析的结果被用来比较三个主要的定量不确定性处理形式主义的定性行为,并证明定性整合的形式主义是可能的,在某些假设条件下。
2013-03-06 cs.AI
A Unified framework for order-of-magnitude confidence relations
IRIT(图卢兹计算机科学研究所)
这项工作的目的是提供一个统一的框架,顺序表示的不确定性躺在可能性和概率理论之间的交叉。事件之间的这种置信关系通常在单调推理、不一致性管理或定性决策理论中找到。它们要么从概率论开始,使其更具定性,要么从可能性理论开始,使其更具表达性。我们表明这两种趋势收敛到一类真正的概率论。我们为这些有用的工具提供了表征结果,这些工具保留了可能性排名的定性性质,同时享受添加剂表示的表达能力。
2012-08-06 cs.AI
On Modal Logics for Qualitative Possibility in a Fuzzy Setting
Spanish Council for Scientific Research (CSIC)(西班牙国家研究委员会)
在不确定性建模的可能性方法中,本文提出了一种模态逻辑系统来推理模糊命题的可能性(和必要性)的定性(比较)陈述。我们把这种定性模态逻辑与著名的知识和信念模态逻辑S5和KD 45的多值类似物MVS5和MVKD 45分别联系起来。完整性结果得到这样的逻辑,因此,他们扩展了以前现有的结果定性可能性逻辑在经典的非模糊设置。
2013-02-27 cs.AI cs.LO
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