Modeling Belief in Dynamic Systems, Part II: Revisions and Update
信念变化的研究一直是哲学和人工智能领域的一个活跃领域。近年来，人们对信念改变的两种特殊情况--信念修正和信念更新进行了详细的研究。在一个配套文件中，我们介绍了一个新的框架模型的信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和门德尔松的信念更新的概念取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
2003-07-30 cs.AI cs.LO
Iterated Belief Base Revision: A Dynamic Epistemic Logic Approach
UFBA（巴西联邦巴伊亚大学）；UFRGS（巴西联邦里约格兰德联邦大学）；PUCRS（巴西天主教里约格兰德大学）
AGM的信念修正是信念改变操作研究的主要范式之一。在这种情况下，信念基地（优先基地）已在很大程度上用于指定代理的信念状态-无论是代表代理的“明确的信念”或作为一个计算模型，她的信念状态。虽然连接的迭代AGM类操作和它们的编码在动态认知逻辑已经研究过，很少有作品考虑如何著名的假设从迭代信念修正理论的特点是通过信念基地和他们的对手在动态认知逻辑。这项工作研究如何优先图，语法表示的偏好关系深深连接到优先基地，可以用来识别信念变化算子，专注于众所周知的假设迭代信念变化。我们提供的句法表示的信念变化运营商在一个动态的背景下，以及新的负面结果的可能性，表示一个迭代的信念修订操作使用优先图上的转换。
2019-02-17 cs.AI cs.LO
On Definite Iterated Belief Revision with Belief Algebras
School of Mathematics, Southwest Jiaotong University, China（数学学院，西南交通大学）；School of Computing and Artificial Intelligence, Southwest Jiaotong University, China（计算与人工智能学院，西南交通大学）；LIRMM UMR 5506, University of Montpellier & CNRS, France（蒙彼利埃大学及CNRS LIRMM研究中心）
针对迭代信念修正规则无法唯一确定算子的问题，本文用信念代数表示信念与证据并引入附加公设，证明修正结果唯一，且给出可执行算法。
2025-05-10 cs.AI
Belief Base Revision for Further Improvement of Unified Answer Set Programming
Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达普大学）
一个信念基础的修订。信念基础是使用统一答案集程序，这是能够表示不精确和不确定的信息，并与他们进行非单调推理。基本修订操作符是使用删除集修订策略开发的。该算子的特征在于关于基本修正算子满足的假设。
2020-11-23 cs.AI
Source-Sensitive Belief Change
Amirkabir University of Technology（阿米尔卡比尔理工大学）
AGM模型是信念修正模型中最引人注目的框架。但是，它并不是在所有方面都很完美。次协调信念修正，多智能体信念修正和非优先信念修正是AGM的三个不同的扩展，以解决三个重要的批评适用于it.In这篇文章中，我们提出了一个框架的基础上AGM的立场，在这些类别。此外，我们还讨论了我们的框架的一些特点，并研究了AGM假设在这一新的背景下的可满足性。
2017-05-05 cs.AI cs.LO
Credibility-Limited Revision for Epistemic Spaces
FernUniversität in Hagen（哈根函授大学）
针对允许不一致信念的认知空间信念变化框架中原有可信度受限修正算子不包含AGM修正算子的问题，研究提出保留其核心初衷的扩展算子，给出公理定义与基于可能世界全预序的语义刻画。
2024-09-11 cs.AI cs.LO
Belief Revision and Rational Inference
信念修正的（扩展的）AGM假设似乎是用一个任意公式来处理给定理论K的修正，而不是用同一个公式来约束两个不同理论的修正。提出了一个新的假设，并与文献中提出的其他类似假设进行了比较。满足这一新假设的AGM修正与理性的、保持一致性的关系一一对应。这种对应关系被明确描述。两种观点迭代修订区分和讨论。
2002-04-14 cs.AI
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
Optimal Belief Revision
我们提出了一种新的方法，信念修订，提供了一种方法来改变知识基础，以最小的努力。我们称这种修正信念状态的方式为最优信念修正。我们的修订方法给予特别注意的事实，大多数信念修订过程是针对一个特定的信息目标。这种信念改变的方法是建立在最佳环境和可访问性等概念的基础上的。对于信念状态的基本模型，我们提供了一个正式的描述的上下文作为子理论确定的三个参数和方法来构建上下文。接下来，我们引入了一个可访问性排序的信念集，然后我们使用它来选择最好的（最佳的）上下文的处理工作中涉及的修订。然后，对于可公理化的知识库，我们描述了一个有限的可访问性排名，从整个基地的可访问性排序生成，并显示如何确定语言中的任意句子的排名。最后，我们定义了调整的可达性排名的信念集的修订基地。
2000-03-08 cs.AI
A modal logic translation of the AGM axioms for belief revision
University of California, Davis（加州大学戴维斯分校）
本文在 Bonanno 工作基础上构造含信念、条件和全局算子的模态逻辑，为每条 AGM 信念修正公理建立对应模态公理，并通过 Kripke-Lewis 框架性质证明双向刻画。
2025-02-20 cs.AI cs.LO
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 Revision in Probability Theory
Indiana University（印第安纳大学）
在基于概率的推理系统中，贝叶斯定理及其变体经常被用来修正系统的信念。然而，如果正确区分概率赋值的显式条件和隐式条件，则贝叶斯定理不是普遍适用的修正规则。在正确区分信念修正和信念更新后，我们发现杰弗里规则及其变体也不是修正规则。如果没有这些区别，贝叶斯方法的局限性往往被忽视或低估。一般形式的修正不能用贝叶斯方法完成，因为概率分布函数本身不包含运算所需的信息。
2013-03-06 cs.AI
A General Katsuno-Mendelzon-Style Characterization of AGM Belief Base Revision for Arbitrary Monotonic Logics
TU Dresden（德累斯顿工业大学）；FernUniversität in Hagen（哈根远程大学）
Alchourrón，Gärdenfors和Makinson的AGM假设仍然是信念改变相关研究的基石。我们推广的方法Katsuno和Mendelzon（KM）的特征AGM基地修订从命题逻辑设置（多）基地修订在任意单调逻辑。我们的核心结果是一个表示定理，使用分配的总-但不传递-“偏好”关系的信念基础。我们还提供了一个表征的所有逻辑，我们的结果可以加强前序分配（如在KM的原始工作）。
2021-12-28 cs.AI cs.LO
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
Human-Aware Belief Revision: A Cognitively Inspired Framework for Explanation-Guided Revision of Human Models
Washington University in St. Louis（圣路易斯华盛顿大学）
针对传统信念修正框架忽视人类寻求解释认知模式的问题，提出认知启发的Human-Aware Belief Revision框架，通过非最小化的解释引导方式修正人类模型，并经两项人类受试者研究验证其有效性，为开发人类感知AI系统提供指导。
2024-08-22 cs.AI
Belief Revision: A Critique
我们仔细研究的基本原理的信念改变的方法在文献中，并强调我们认为的方法问题。我们认为，要仔细研究信念变化，我们必须非常明确的“本体论”或信念变化过程中的场景。这是在以前的工作中所缺少的，它的重点是假设。我们的分析表明，我们必须特别注意两个问题，往往被认为是理所当然的：第一个是我们如何建模代理的认知状态。(Do我们使用一组信念，或者一个更丰富的结构，比如世界的排序？如果我们使用一组信念，这些信念用什么语言表达？）我们表明，即使假设已被称为“无可争议”是不合理的，当代理人的信念包括她自己的认识状态以及外部世界的信念。二是意见的现状。(Are观察是真实的，还是只是相信的？在后一种情况下，信念有多坚定？）当我们考虑迭代的信念修正时，关于观测状态的问题尤其会出现，我们必须面对由p修正然后由非p修正的可能性。
2001-03-27 cs.AI cs.LO
Modeling Belief in Dynamic Systems, Part II: Revision and Update
信念变化的研究一直是哲学和人工智能领域的一个活跃领域。近年来，人们对信念改变的两种特殊情况--信念修正和信念更新进行了详细的研究。在一篇配套论文（Friedman & Halpern，1997）中，我们引入了一个新的框架来模拟信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和Mendelzon的信念更新的概念（胜野和Mendelzon，1991年a）取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
1999-03-24 cs.AI
Forgetting in short and heterogeneous sequences of belief revisions
DIAG, Sapienza University of Rome（罗马萨皮恩扎大学DIAG）
该研究聚焦信念修正序列中的遗忘问题，证明了相关场景的复杂度下界，提出了两次词典序Horn修正场景下的多项式算法，并将异构序列的难性从coNP提升至Dp。
2025-05-16 cs.AI cs.CC
Imaginary Kinematics
Sapienza University of Rome（罗马大学）；IDSIA（达勒·莫莱人工智能研究所）
我们引入了一类新的调整规则的集合的信念。这是刘易斯成像的延伸，以吸收广义背景下的概率证据。不像标准的信念修正工具，我们的建议可能会使用时，信息是不一致的代理人的信念基础。我们表明，我们介绍的泛函是基于假想的对应的概率运动学标准的信念修订，并证明，在一定条件下，所有标准的信念修订的假设都得到满足。
2018-08-01 cs.AI cs.LO
Can we forget how we learned? Doxastic redundancy in iterated belief revision
DIAG, Sapienza University of Rome（罗马萨皮恩扎大学DIAG）
本文研究迭代信念修正中的信念冗余问题，提出一种算法检查遗忘信念获取过程是否导致信息丢失，并分析了其在多种修正算子下的计算复杂度。
2025-04-26 cs.AI
Distance Semantics for Belief Revision
一个庞大而有趣的家庭的自然语义信念修订的定义。假设给定任意两个模型之间的距离d。于是，我们可以把用公式a对一个理论K的修正定义为，用d最接近于K的模型集的a的所有模型的集合所定义的理论。这个家庭的特点是一套合理性假设，扩展了AGM假设。新的假设描述迭代修正的性质。
2002-02-18 cs.AI
On the Generation of Alternative Explanations with Implications for Belief Revision
Brown University（布朗大学）
一般来说，对于一个给定的观察结果，最好的解释并不保证它相对于其他替代解释的好坏。贝叶斯网络中用于信念修正的消息传递方案的一个主要缺陷是它们不能产生超出第二好的替代方案。在本文中，我们提出了一种基于线性约束系统的一般方法，该方法以有序和高效的方式自然地生成替代解释。这种方法，然后应用到成本为基础的绑架问题，以及在贝叶斯网作品的信念修正。
2013-03-20 cs.AI
Belief Revision in Sentential Decision Diagrams
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达尔·莫尔人工智能研究所）
信念修正是当新信息变得可用时修改知识库的任务，同时也尊重许多期望的属性。经典的信念修正方案已经专门用于\emph{binary decision diagrams}（BDDs），经典的形式主义来压缩表示命题知识。这些结果也适用于\emph{ordered} BDD（OBDD），这是一类特殊的BDD，旨在保证规范性。然而，这些修订不能应用于\emph{sentential decision diagrams}（SDD），这是一种典型的更紧凑但仍然规范的布尔电路类，它概括了OBDD，但不是BDD的子类。在这里，我们填补了这一空白，推导出一个通用的SDDs的基础上Dalal修订的句法特征的修订算法。还提出了一种用于DNF的专门程序。随机生成的知识库进行的初步实验显示直接执行SDD形式主义内的修订的优势。
2022-01-20 cs.AI
How Do People Revise Inconsistent Beliefs? Examining Belief Revision in Humans with User Studies
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Imperial College London（伦敦帝国学院）；Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC））
该研究通过三项用户实验发现人类偏好基于解释的非最小化信念修正模式，为适配人类认知的AI系统设计提供了依据。
2025-06-11 cs.AI
Belief revision by examples
DIIAG - Sapienza University of Rome（罗马大学DIIAG）
信念修正中的一个常见假设是，信息源的可靠性要么是给定的，要么是从时间信息导出的，要么是所有信息源的可靠性都相同。这篇文章并没有描述一个新的集成语义，而是描述了根据先前合并的结果获得源代码的可靠性的问题。作为一个例子，两个传感器的相对可靠性可以在给定某些观察的情况下进行评估，并允许随后合并来自它们的数据。
2014-09-18 cs.AI
Belief Revision from Probability
University of Southern California（南加州大学）；University of Oxford（牛津大学）
本文研究相对问题的概率信念理论在信念动态中的推论，刻画其介于 AGM 与 Locke 理论之间的修正原则，并给出受限模型类上的附加原则及相对优势。
2023-07-11 cs.AI cs.LO
AGM Belief Revision, Semantically
Technische Universität Dresden（德累斯顿工业大学）；FernUniversität in Hagen（哈根函授大学）
本文将Katsuno和Mendelzon的信念修正模型论刻画推广到任意Tarskian逻辑，通过表示定理建立AGM式修正算子与非必然传递的全序偏好赋值之间的双向对应，并刻画了可加强为传递偏好的逻辑类。
2023-07-06 cs.AI cs.LO
Representing states in iterated belief revision
DIAG, Sapienza University of Rome（罗马萨皮恩扎大学DIAG）
本文研究了迭代信念修正中信念状态表示的空间增长问题，比较了四种存储方法，发现字典序表示比显式、层级和自然表示更紧凑。
2025-04-28 cs.AI
On the use of evidence theory in belief base revision
Institut Supérieur d’Informatique et de Multimédia, Université de Sfax（斯法克斯大学高等信息与多媒体学院）；Laboratoire OLID (LR19ES21), Institut Supérieur de Gestion Industrielle, Université de Sfax（斯法克斯大学高等工业管理学院OLID实验室（LR19ES21））；Institut des Hautes Etudes Commerciales, Université de Sfax（斯法克斯大学高等商业研究学院）
本文论述的信念基础修订，这是一种形式的信念变化，包括纳入新的事实到代理的信念所表示的一组有限的命题公式。为了在进行修正时保证实际应用的可靠性和合理性，提出了可信信念基修正的思想，利用证据理论提供的合适工具定义了两个新的基于公式的修正算子.这些算子，在[9]中以与其他算子相同的精神统一提出，源于关于可信度而不是集合包含和基数的最大一致子基。此外，在这两个极端之间的运营商，证据理论让我们揭示了一些光的妥协运营商避免失去初始信念，以最大限度地可能。它的思想是从最大一致子基的所有可能交集中捕获最大一致集。通过实例对这些算子进行了说明，并与其它算子进行了比较。
2020-09-24 cs.AI
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
Distributed Revision of Belief Commitment in Multi-Hypothesis Interpretations
UCLA（加利福尼亚大学洛杉矶分校）
本文扩展了信念网络的应用，包括信念承诺的修正，即，对一组假设的绝对接受，这些假设共同构成了对现有证据的最令人满意的解释。建立了非单调推理的一致性模型，提出了分布式信念修正算法。我们表明，在单连接网络中，最令人满意的解释可以找到在线性时间的消息传递算法类似于一个信念更新。在多连通网络中，问题可能是指数困难的，但如果网络是稀疏的，拓扑考虑可以用来使解释任务易于处理。一般来说，找到最可能的假设组合并不比计算任何单个假设的置信度更复杂。在医学诊断中的应用举例说明。
2013-03-27 cs.AI
Who is Afraid of Minimal Revision?
University of Groningen（Groningen大学）；Technical University of Denmark（丹麦技术大学）
该研究探讨了最小修订在学习中的有效性，指出其在有限可识别问题和有限可能性下的学习能力，并分析了在存在错误信息时的局限性。
2025-11-27 cs.AI cs.LO
Study on Quantitative Dynamic Epistemic Logic for Belief Revision
State University of Campinas (UNICAMP)（坎皮纳斯州立大学（UNICAMP））
本文基于AGM理论，引入定量“确信度”概念，扩展动态认知逻辑P*，形式化信念修正过程，并通过定理证明和哲学标准分析，提出更符合AGM直觉的修正函数*^0。
2026-06-23 cs.AI math.LO
Automatic Belief Revision in SNePS
SNePS是一个基于逻辑和网络的知识表示、推理和行动系统，基于单调、次协调、一阶项逻辑，具有组合内涵语义。它有一个ATMS风格的设施，用于信念收缩，和一个代理组件，包括一个定义良好的语法和语义的原始和复合行为，以及“规则”，允许在支持推理和推理的支持行动。SNePS被设计为支持自然语言能力的认知代理。当当前版本的SNePS检测到明确的矛盾时，它与用户交互，提供帮助用户决定从知识库中删除什么以删除矛盾的信息。即将到来的SNePS 2.6也将做自动信念收缩，如果知识库中的信息warrants它。
2000-06-16 cs.AI cs.LO
On Stochastic Belief Revision and Update and their Combination
Centre for Artificial Intelligence Research（人工智能研究中心）；University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）；CSIR Meraka（南非科学与工业研究理事会梅拉卡研究所）
我提出了一个框架，代理改变其概率信念时，观察到一个新的命题信息$α$。传统上，信念改变通过修正过程或更新过程发生，这取决于代理是否在静态世界中被告知$α$，或者分别取决于$α$是否是由于事件发生而来自环境的“信号”。Boutilier提出了一个定性信念变化的统一模型，该模型“结合了修订和更新的各个方面，提供了一个更现实的信念变化特征。在本文中，我提出了一个定量信念变化的统一模型，其中代理人的信念表示为可能世界上的概率分布。正如Boutilier一样，我采取了动力系统的观点。对所提出的方法进行了评估，对几个合理性假设，并制定了该方法的一些性质。
2016-04-07 cs.AI
Belief Revision with Uncertain Inputs in the Possibilistic Setting
Institut de Recherche en Informatique de Toulouse (IRIT) - CNRS（图卢兹计算机科学研究所（IRIT）- 法国国家科学研究中心）；Universite Paul Sabatier（保罗·萨巴蒂埃大学）
本文在可能性理论的框架下讨论了不确定输入下的信念修正问题。修正可以基于条件运算的两种可能的定义，一种基于min算子，其仅需要纯序标度，另一种基于乘积，其需要更丰富的结构，并且其是Dempster条件规则的特定情况。此外，在不确定输入下的修订可以以两种不同的方式来理解，这取决于输入是否被视为要强制执行的约束。此外，它表明，M.A.威廉姆斯的嬗变，最初定义在设置的Spohn的功能，可以捕捉在这个框架，以及Boutilier的自然修订。
2013-02-13 cs.AI
A New Approach for Revising Logic Programs
Institute for Integrated and Intelligent Systems, Griffith University（格里菲斯大学集成与智能系统研究所）；School of Computing Science, Simon Fraser University（西蒙弗雷泽大学计算科学学院）；Department of Computing, Macquarie University（麦考瑞大学计算学系）
信念修正主要是针对单调的背景逻辑进行研究的。在本文中，我们研究信念修订时，底层逻辑是非单调的，而不是-一个内在有趣的问题，是根据探索。特别是，我们将专注于修改的身体的信念表示为一个逻辑程序下的答案集语义，而新的信息也同样表示为一个逻辑程序。我们的方法是由观察，不像在单调的设置，在必要时，一致性的修改后的身体的信念是通过抛弃一些旧的信念，在非单调设置的一致性可以恢复添加新的信念以及。我们将定义一个句法修正函数，并随后提供表征它的表示定理。
2016-03-31 cs.AI cs.LO
On Strengthening the Logic of Iterated Belief Revision: Proper Ordinal Interval Operators
Cardiff University（卡迪夫大学）；La Trobe University（乐卓博大学）
Darwiche和Pearl在1997年的开创性文章中概述了迭代信念修正逻辑的一些基本原则。这些原则，DP的假设，已经补充了一些替代方式。提出的大多数建议导致了一种“还原论”的形式，将信仰状态与世界的秩序等同起来。然而，这一立场最近被批评为不可接受的强硬。其他建议，如大众原则（P），又名“独立”，“可接受的”修正算子的特点，仍然值得称赞的是更温和。在本文中，我们补充了DP公设和（P）与一些新的条件。虽然DP假设约束的先验和后验条件信念集之间的关系，我们的新原则显着治理两个后验条件信念集之间的关系，从一个共同的前通过不同的修订。我们表明，运营商从由此产生的家庭，其中包括字典和限制修订，可以表示为相关的信念状态，与“适当的序数区间”（POI）分配，结构更细粒度比一个简单的世界秩序。我们关闭的文件注意到，这些运营商满足迭代版本的大量AGM时代的假设，包括超膨胀，这是不健全的一般容许运营商。
2018-07-26 cs.AI
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
Belief revision and incongruity: is it a joke?
IRIT-CNRS（图卢兹计算机科学研究所-法国国家科学研究中心）；Université de Toulouse（图卢兹大学）
本文尝试形式化智能体听笑话时的智能行为，将其归结为信念修正、惊讶与违反规范的过程。
2023-09-05 cs.AI
SATEN: An Object-Oriented Web-Based Revision and Extraction Engine
SATEN是一个面向对象的基于Web的提取和信念修正引擎。它可以通过支持Java 1.1的浏览器（如Netscape 4）在任何计算机上运行。SATEN基于AGM方法进行信念修正。提取和信念修正推理引擎对用户指定的信息排名进行操作。SATEN的一个特点是，它可以用来将相互不一致的排名整合成一个一致的排名。
2000-03-14 cs.AI
A general approach to belief change in answer set programming
Simon Fraser University（西蒙菲莎大学）
我们解决问题的信念改变（非单调）逻辑编程下的答案集语义。与以往的方法，相信逻辑编程的变化，我们的形式化技术类似于那些基于距离的信念修正命题逻辑。在发展我们的结果，我们建立在SE模型提供的逻辑程序的模型理论。由于SE模型提供了一个正式的，单调的逻辑程序的特点，我们可以适应技术从信仰的修订领域的信念改变逻辑程序。我们分别介绍了修改和合并逻辑程序的方法。对于前者，我们研究了基于子集的修订以及基数为基础的修订，我们表明，他们满足大多数的AGM修改假设。对于合并，我们考虑仲裁合并和IC合并后的运营商，分别。我们还提出了编码计算的修订，以及合并的逻辑程序在同一逻辑编程框架内，引起我们的方法在现成的答案集求解器方面的直接实施。这些编码反过来反映了这样一个事实，即我们的变化操作符并没有增加基本形式主义的复杂性。
2009-12-30 cs.AI
Parallel Belief Revision via Order Aggregation
La Trobe University（拉特罗布大学）；Cardiff University（卡迪夫大学）
针对并行信念修正模型难以扩展至迭代场景且现有理性公设缺乏统一解释的问题，研究基于TeamQueue序聚合器提出通用方法，可将串行迭代信念修正算子扩展处理并行变化，兼具合理性与严谨性。
2025-05-20 cs.AI
Belief Revision and Trust
British Columbia Institute of Technology（不列颠哥伦比亚理工学院）
信念修正是一个过程，在这个过程中，一个代理将一条新的信息与一组预先存在的信念结合在一起。当新信息以另一个代理的报告形式出现时，很明显，我们必须首先确定该代理是否应该信任。在本文中，我们提供了一个正式的方法来建模信任的信念修订前的预处理步骤。我们强调，信任不仅仅是代理人之间的关系;一个代理人对另一个代理人的信任往往局限于特定的专业领域。我们证明，这种形式的信任可以通过关联的状态分区与每个代理，然后相对化所有的报告，这个状态分区之前执行信念修订。通过这种方式，我们仅纳入报告中属于报告代理人所认为的专门知识领域的部分。不幸的是，基于专业知识的状态分区不允许我们比较相对于不同代理人的相对信任强度。为了解决这个问题，我们引入了伪度量状态来表示不同程度的信任。这使我们能够合并来自多个代理的同时报告，以确保最可信的报告被相信。
2014-04-30 cs.AI
Iterated Belief Change Due to Actions and Observations
British Columbia Institute of Technology（不列颠哥伦比亚理工学院）；Simon Fraser University（西蒙菲莎大学）
在行动领域，代理人可能有错误的信念，推理的影响，行动涉及推理信念的变化。在本文中，我们使用一个过渡系统的方法来推理代理信念的演变，因为行动的执行。一些动作导致代理执行信念修正，而另一些动作导致代理执行信念更新，但是修正和更新之间的交互可以是非基本的。我们提出了一套合理性属性描述修订和更新之间的相互作用，我们引入了一类新的信念变化算子的推理交替序列的修订和更新。我们的信念改变运营商的特点是在一个自然的移位操作总预排序的解释。我们比较了我们的方法与相关工作迭代的信念变化，由于行动，我们得出的结论与未来的研究方向。
2014-01-16 cs.AI
Iterated Belief Change, Computationally
FernUniversität in Hagen（哈根远程大学）
迭代信念变化是研究信念在（可能是无限的）许多后续信念变化中的动态变化的原则的研究领域。在本文中，我们演示了迭代的信念变化是如何连接到计算。特别是，我们表明，迭代信念修订是图灵完成，即使在广泛接受的原则，如迭代修订的Darwiche-Pearl假设的条件下。
2022-02-17 cs.AI
Surprise Minimization Revision Operators
Institute for Logic, Language and Computation（逻辑、语言与计算研究所）；The University of Amsterdam（阿姆斯特丹大学）
信念修正的主要方法是采用尽可能接近先前信念的新信念，即使在标准情况下，这个过程也可以被描述为试图最大限度地减少惊喜。在这里，我们扩展现有的模型，提出了一个措施的惊喜，被称为相对惊喜，惊喜的计算不仅与先前的信念，但也提供了更广泛的背景下，新的信息，使用的措施来自熟悉的真值分配之间的距离概念。我们的特点，从而定义使用一组直观的合理性假设的AGM模具的惊喜最小化修订运营商，沿途获得代表性的结果，其他现有的修订运营商在文献中，如Dalal运营商和最近推出的基于距离的最小-最大运营商。
2021-11-21 cs.AI
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
The lexicographic closure as a revision process
非单调推理和信念修正之间的联系是众所周知的。非单调推理领域的一个中心问题是缺省蕴涵问题，即，何时表示“如果A为真，则通常B为真”的缺省信息项被认为是从给定的这种信息项集合中得出的。对于这个问题，人们提出了许多答案，但令人惊讶的是，几乎没有人试图将其与信念修正联系起来。本文的目的是给出一个例子，说明如何可以这样的连接，显示如何词典关闭的一组默认值可能被概念化为一个过程中的迭代修订的句子集。具体来说，我们使用Nayak的修订过程。
2000-03-08 cs.AI cs.LO
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
Belief Conditioning Rules (BCRs)
在本文中，我们提出了一个新的家庭的信念条件规则（BCR）的信念修正。这些规则是不直接相关的融合的几个来源的证据，但在给定的时间，根据新的真理（即条件约束），一个有关于空间的解决方案的问题的信念分配的修订。
2006-11-29 cs.AI
Extending the Harper Identity to Iterated Belief Change
Cardiff University（卡迪夫大学）；La Trobe University（乐卓博大学）
迭代信念改变的领域主要集中在修正上，AGM信念改变理论的另一个主要算子，即收缩，受到的关注相对较少。本文将一步变化的Harper恒等式推广到迭代修正的迭代压缩。具体地说，正如哈珀恒等式提供了一个根据（i）初始信念集和（ii）由非A修正产生的信念集来定义由收缩A产生的信念集的方法，我们研究了根据（iii）初始可扩展性排序来定义由收缩A产生的世界上的可扩展性排序的方法，以及（iv）由非A的修订产生的可解释性排序。在注意到最直接的这种扩展会导致允许的排序空间的平凡化后，我们提供了一个家庭的运营商相结合的可扩展性排序，避免这样的结果。这些运营商的特点是在我们感兴趣的领域由一对直观的令人信服的属性，从而使推导出一些迭代的收缩公设从公设迭代修订。我们完成观察，这个家庭的一个突出的成员允许导出的同行收缩的一些著名的迭代修订运营商，以及定义新的迭代收缩运营商。
2016-04-19 cs.AI
A Consistency-Based Model for Belief Change: Preliminary Report
我们提出了一个一般的，基于一致性的信念改变的框架。非正式地，在用A修改K时，我们从A开始，并尽可能一致地纳入K。形式上，知识库K和句子A通过在K中重命名命题而以不同的语言表达。使用最大化过程，我们假设语言在一致的可能范围内是相同的。最后，我们用一种语言来表达所得到的知识库。可能有不止一种方法可以使A被K如此扩展：在选择修订中，一个这样的“扩展”代表修订的状态;或者修订由所有这样的扩展的交集组成。我们的方法的最一般的配方是足够灵活的，以表达其他方法的修订和更新，合并的知识库，并纳入静态和动态的完整性约束。我们的框架不同于基于顺序条件函数的工作，特别是在迭代修订方面。我们认为，该方法是非常适合实施：选择修订运营商提供更好的复杂性比一般的修订结果;该方法可以表示在一个有限的知识库;和修订的范围可以被限制为只是那些命题中提到的句子修订A。
2000-04-03 cs.AI
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
