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
DeltaLogic: Minimal Premise Edits Reveal Belief-Revision Failures in Logical Reasoning Models
Amazon(亚马逊)
DeltaLogic通过最小证据变化评估逻辑推理模型的信念修正能力,发现初始推理能力强并不等于修正行为强,Qwen3-4B在修正任务中仍存在惯性失败,Phi-4-mini-instruct表现更优但仍有非 trivial 抽象问题。
2026-04-03 cs.AI
Algorithm for Adapting Cases Represented in a Tractable Description Logic
Guilin University of Electronic Technology(桂林电子科技大学);The University of Manchester(曼彻斯特大学)
基于描述逻辑的案例推理(CBR)近年来受到了广泛的关注。自适应是CBR推理中的一个基本任务,可以建模为知识库修正问题,并在命题逻辑中解决。然而,在DL中,它仍然是一个挑战性的问题,因为现有的修订操作仅适用于严格限制的DL的\emph{DL-Lite}家庭,这是很难设计的修订算法,这是语法无关的和细粒度的。在本文中,我们提出了一种新的方法适应的基础上DL $\mathcal{EL_{\bot}}$。遵循修改即修改的思想,首先将命题逻辑中描述事例的逻辑基础扩展到DL $\mathcal{EL_{\bot}}$,并给出了基于$\mathcal{EL_{\bot}}$的修改形式.然后,我们提出了一个适应算法,这种形式主义,并证明我们的算法是语法无关和细粒度。我们的工作提供了一个逻辑基础,适应CBR系统的情况下,领域知识描述的易处理的DL $\mathcal{EL_{\bot}}$。
2014-05-16 cs.AI
Automated Reasoning Using Possibilistic Logic: Semantics, Belief Revision and Variable Certainty Weights
Universite Paul Sabatier(保尔·萨巴蒂埃大学)
本文提出了一种基于可能性逻辑的不确定性自动推理方法,为此,我们处理条款加权的程度是一个下界的必要性或可能性措施,根据性质的不确定性。两种归结规则用于处理不同的情况,反驳方法可以推广。此外,下界被允许是变量的函数在子句中,这给假设推理能力。我们的方法和最小化异常的想法之间的关系进行了简要的讨论。在只涉及必要性测度下界的情况下,提出了一种语义,证明了扩展归结原理的完备性。此外,从一个部分不一致的知识库推导可以在这种方法中管理,并显示出某种形式的非单调性。
2013-03-27 cs.AI
A Program-Level Approach to Revising Logic Programs under the Answer Set Semantics
Simon Fraser University(西蒙弗雷泽大学)
提出了一种基于回答集语义的逻辑程序修改方法。对于程序P和Q,目标是确定对应于P乘以Q的修正的答案集,记为P * Q。经典(AGM)修正的一个基本原则,也是指导这里方法的原则,是成功假设。在年度股东大会修订中,这规定A在K * A中。通过与成功假设的类比,对于程序P和Q,这意味着Q的答案集在某种意义上将包含在P * Q的答案集中。其基本思想是,对于P * Q,Q的三值答案集,包括正面和负面的文字,首先确定。正文字构成了一个规则的答案集,而否定文字构成了从Q产生答案集所需的最小naf文字集。这些文字被传播到程序P,以及那些不是由这些文字决定的Q规则。该方法与更新逻辑程序的工作有两个主要方面的不同。首先,我们保证修改的逻辑程序具有较高的优先级,从而满足成功假设;第二,对于修正P * Q中隐含的偏好,程序Q作为一个整体优先于P,不像更新逻辑程序,因为Q的答案集被传播到P。我们证明了AGM假设的一个核心组被满足,正如已经为更新逻辑程序提出的假设一样。
2010-07-28 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
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
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
Syntax-Preserving Belief Change Operators for Logic Programs
Griffith University(格里菲斯大学)
最近的方法已经适应了成熟的AGM和信念基础框架的信念变化,以涵盖信念修订逻辑程序。在这项研究中,我们提出了两套新的信念改变运营商的逻辑程序。它们专注于保留程序规则中表达的显式关系,这是纯语义方法中缺少的一个功能,这些方法只考虑程序的整体。特别是,后一类的运营商未能满足保存和支持,两个重要的属性,信仰改变逻辑程序,以确保直观的结果。我们解决这个缺点,现有的方法通过引入部分满足和安置结构的逻辑程序信念的变化,这使我们能够定义语法保持运营商,满足保存和支持。我们的工作是新颖的,我们的建设不仅保留更多的信息,从一个逻辑程序在一个变化的操作比现有的,但他们也促进自然定义的收缩运营商,第一次在该领域尽我们所知。为了评估我们的运营商的合理性,我们翻译的修订和收缩假设从AGM和信念基础框架的逻辑编程设置。我们表明,我们的运营商完全符合信念基础的框架,并正式声明我们的运营商之间的相互定义。我们进一步提出了一种算法,该算法是基于模块化的逻辑程序,以减少部分满足和安置的修订或收缩,只执行该程序的相关模块上的操作。最后,我们比较我们的方法,两个国家的最先进的逻辑程序修订方法,并证明我们的运营商解决的缺点之一,并概括了其他方法。
2017-03-17 cs.AI
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
The logic of KM belief update is contained in the logic of AGM belief revision
University of California, Davis, USA(加州大学戴维斯分校)
本文证明了KM信念更新的逻辑是AGM信念修订逻辑的子集,并展示了AGM信念修订是KM信念更新的特殊情况。
2026-03-01 cs.AI cs.LO math.LO
Using Enthymemes to Fill the Gap between Logical Argumentation and Revision of Abstract Argumentation Frameworks
TU Wien(维也纳工业大学)
在本文中,我们提出了一个初步的工作方法,以填补基于逻辑的论证和众多的方法来解决抽象的论证框架的动态之间的差距。我们的想法是,即使论证和攻击是通过逻辑信念基础来定义的,也可能存在一些关于论证内容准确性的不确定性,因此存在(或不存在)与之相关的攻击。事实上,正如文献中所论证的,真正的论证往往是推理论证,而不是完全指定的演绎论证。这就意味着推理论证对中的某些部分(支持、主张)可能会缺失,因为它们被认为属于某种“共同知识”,然后应该由接受推理论证的主体进行推导。但是,代理人对共同知识的感知可能是错误的,然后第一个代理人可能会陈述一个推理迷因,而她的对手无法以准确的方式解码。很可能是代理人对推理迷因的解码导致了这个新论点和现有论点之间的错误攻击。在这种情况下,代理可以接收一些有关攻击或论点接受状态的信息,这些信息与她的论点框架不一致。我们提出了一种方法,将这一新的信息,通过现有的工作动态的抽象论证框架。
2016-03-29 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
Consistency Management of Normal Logic Program by Top-down Abductive Proof Procedure
本文提出了一种计算无函数的正规逻辑程序的修改量的方法。如果添加的规则与程序不一致,也就是说,如果它导致对于新程序不存在稳定模型的情况,则执行规则的删除和添加以避免不一致。我们通过将一个正常的逻辑程序转换成一个具有可溯项的溯因逻辑程序来表示规则的删除和添加,从而指定一个修订。为了计算这样的删除和添加,我们提出了一个自上而下的溯因证明过程的适应计算相关的溯因添加规则。我们计算一个最低限度的修订计划,通过选择一个最小的一组可展性之间的所有集的可展性计算的自上而下的证明过程。
2000-03-05 cs.AI
Belief revision and 3-valued logics: Characterization of 19,683 belief change operators
Universidad Simón Bolívar(西蒙玻利瓦尔大学);Universidad de Los Andes(德洛斯安第斯大学)
在大多数经典的信念改变模型中,认知状态由理论(AGM)或公式(Katsuno-Mendelzon)表示,新的信息由公式表示。修正算子的表示定理说,算子由全预序表示。这一重要的表征被Darwiche和Pearl利用来将认识状态的概念转移到一个更抽象的概念上,其中认识状态的范式实际上是对解释的总的前序。在这项工作中,我们引入了一个3值逻辑,其中的公式可以确定与概括的总前序的三个级别:排名功能映射到真值的解释。然后我们分析了此类结构的一些变化并给出了它们的句法特征。
2019-10-30 cs.AI cs.LO math.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
Model Change for Description Logic Concepts
University of Oslo(奥斯陆大学);Cardiff University(卡迪夫大学)
本文研究了描述逻辑概念在模型变更中的三种类型:移除、接收和修订,分析了EL和ALC逻辑中这些操作的兼容性及修订的复杂性。
2026-03-05 cs.AI cs.LO
Morphologic for knowledge dynamics: revision, fusion, abduction
LTCI, Télécom ParisTech, Université Paris-Saclay(LTCI,巴黎高等电信学院,巴黎萨克雷大学);Université Paris-Dauphine, PSL Research University, CNRS(巴黎第九大学,巴黎文理研究大学,法国国家科学研究中心);Universidad de Los Andes(洛斯安第斯大学);Universidad Industrial de Santander(桑坦德工业大学)
人工智能中的一些任务要求能够找到关于知识动态的模型。它们包括信念修正、融合和信念合并以及溯因。在本文中,我们利用代数框架的数学形态学的命题逻辑的背景下,并定义操作,如膨胀或腐蚀的一组公式。我们得出具体的运营商,基于语义的方法,有一个直观的解释,并正式表现良好,执行修订,融合和绑架。计算和易处理的地址,和简单的例子说明了可以得到的典型结果。
2018-02-14 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
Elementary Iterated Revision and the Levi Identity
La Trobe University(乐卓博大学);Cardiff University(卡迪夫大学)
最近的工作已经考虑了问题的情况下,迭代的信念变化的所谓的“哈珀身份”(HI),它定义了单杆收缩单杆修订。本文件认为,提供一个类似的扩展列维恒等式(LI)的前景,在定义的方向运行的其他方式。我们限制我们的注意力在这里的三个经典的迭代修订运营商-自然,约束和字典,我们在这里提供的第一个集体表征的文献中,在命名为“小学”运营商。我们考虑两个表面上似乎合理的方式扩展(LI)。第一个建议涉及到使用的合理关闭运营商提供一个'还原'帐户迭代修订迭代收缩。第二,这并不承诺还原论,提出了几年前由纳亚克等人,我们建立,小学修订运营商和温和的假设下收缩,纳亚克的建议是相当于一套新的公设正式要求收缩由$\neg A$应被视为一种“温和”的修订由$A$。然后,我们表明,这些,反过来,在稍弱的假设下,联合金额的结合对(HI),最近在文献中提出的扩展的约束。最后,我们认为赞同这两个建议的后果,并表明,这将产生一个合理的修订与自然修订的标识。最后,我们讨论的一般前景定义迭代修订迭代收缩。
2019-07-02 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
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
Declarative Representation of Revision Strategies
在本文中,我们引入了一个非单调的框架,信念修订推理的可靠性不同的信息的基础上元知识的信息是可能的,并在修订策略可以描述声明。该方法是基于一个普尔式系统的默认推理,其中壕沟信息表示在逻辑语言。基于单调算子的最小不动点的推理概念用于确保所有理论具有一致的结论集。
2000-03-08 cs.AI cs.LO
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
Bringing Belief Base Change into Dynamic Epistemic Logic
Institute of Mathematics and Statistics, Federal University of Bahia - UFBA(巴伊亚联邦大学数学与统计学院)
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)已主要用于指定代理的信念状态。虽然连接的迭代AGM类操作和他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迭代信念修正理论可以通过信念基地和他们的对应物在动态认知逻辑的特点。特别是,它已被证明,一些假设可以通过优先图中的转换来表征,而其他假设则可能无法以这种方式表示。这项工作研究动态偏好逻辑的语义变化,产生了一个适当的语法表示其模型,使我们能够表示和推理迭代的信念基础变化在这个逻辑。
2019-12-22 cs.AI cs.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
Iterated Belief Revision Under Resource Constraints: Logic as Geometry
University of Pennsylvania(宾夕法尼亚大学)
我们提出了一个变种的迭代信念修订设计的计算资源有限的设置,如移动自主机器人。所提出的记忆体系结构-被称为{ \em通用记忆体系结构}(UMA)-以默认规则系统的形式保持一种认知状态,类似于Pearl和Goldszabel和Pearl(系统$Z$和$Z^+$)所研究的那些规则。UMA表示的类别和相应的模型空间的类别之间的对偶性,扩展了离散poc集和离散中值代数之间的Sageev-Roller对偶性,提供了从推理到几何的双向字典,从而极大地节省了计算,代价是可以在拓扑不变量方面量化的表示质量。此外,相同的框架自然能够在不同的模型空间之间进行比较,从而可以分析一个模型空间与其他模型空间相比的缺陷。本文提出了UMA的形式化描述,分析了UMA中维护和推理操作的复杂性,并为不同的基于UMA的学习器提供了学习保证。最后,我们提出了模拟结果来说明该方法的可行性,并关闭与UMA为基础的学习者的优势,劣势和潜在的发展进行了讨论。
2018-12-20 cs.AI cs.DM cs.LG
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
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
Non-characterizability of belief revision: an application of finite model theory
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);MTA-SZTE Research Group on Artificial Intelligence(MTA-SZTE人工智能研究组)
一个正式的框架给出了一类信念修正算子的特征,定义使用最小化一类部分前序,由公设。它表明,对于偏序特征化蕴含着一元二阶逻辑的偏序类的可定义性。基于一类偏序的不可定义性结果,给出了一类不可刻画的修正算子的例子。这似乎是信念修正中的第一个非特征化结果。
2014-03-31 cs.AI cs.LO math.LO
Dynamics of Knowledge in DeLP through Argument Theory Change
National Research Council (CONICET)(国家研究委员会(CONICET));Universidad Nacional del Sur (UNS)(南方国立大学(UNS))
本文研究了可废止逻辑程序(de.l.p. s)的修改方法,它是可废止逻辑程序设计(DeLP)解释器所使用的知识库。DeLP是一种论证形式主义,允许对潜在不一致的de.l.p.s.进行推理。论证理论变化(ATC)研究信念修正的某些方面,以使它们适用于抽象的论证系统。在这篇文章中,抽象的参数呈现具体的使用特定的基于规则的可废止逻辑采用DeLP。我们建议的目标是为de.l.p.s定义优先的参数修改操作符,以这样的方式,新插入的参数在修改后不会失败,从而验证其结论。为了确保这一保证,必须根据最小变化原则改变de.l.p.。为此,我们讨论了可以采用的不同的最小变化标准。最后给出了一个实现参数修正操作的算法。
2011-11-29 cs.AI cs.LO
Ontology Revision based on Pre-trained Language Models
Nanjing University of Posts and Telecommunications(南京邮电大学);Jilin University(吉林大学);Southeast University(东南大学)
本文提出基于预训练语言模型的本体修订方法,通过定义四个评分函数和两种修订算法处理不可满足概念,在19个本体对上验证了有效性。
2023-12-26 cs.AI
Morpho-logic from a Topos Perspective: Application to symbolic AI
CentraleSupelec(巴黎中央理工-高等电力学院);Université Paris Saclay(巴黎萨克雷大学);Sorbonne Université(索邦大学);Université d’Artois(阿尔图瓦大学)
模态逻辑已被证明适用于符号人工智能(AI)中的许多推理任务,例如信念修正,空间推理等。另一方面,数学形态学(MM)是一种用于结构非线性分析的理论,在图像分析中得到了广泛的发展和应用。它的数学基础依赖于代数,完备格,拓扑。MM和数理逻辑之间建立了很强的联系,主要是模态逻辑。在本文中,我们建议进一步发展和推广数学形态学和模态逻辑之间的联系,从topos的角度来看,即范畴结构推广空间,并连接逻辑,集合和拓扑。此外,我们依赖于内部语言和逻辑的拓扑。我们定义结构元素,膨胀和腐蚀作为态射。然后,我们引入结构化邻域的概念,并表明基于它们的膨胀和腐蚀导致一个建设性模态逻辑,为它提出了一个健全和完整的证明系统。然后,我们表明,这样定义的模态逻辑(这里称为形态逻辑),是很好地适应定义具体和有效的运营商的修订,合并,和绑架的新知识,甚至空间推理。
2023-03-08 cs.AI cs.LO
On Lockean beliefs that are deductively closed and minimal change
Artificial Intelligence Research Institute (IIIA - CSIC)(人工智能研究 institutes(IIIA - CSIC));Centre de Recherche en Informatique de Lens (CRIL)(信息学研究中心(CRIL));Department of Mathematics, University of Barcelona (UB)(数学系,巴塞罗那大学(UB))
本文针对洛克式信念集不封闭于经典演绎的问题,提出两类封闭信念集的特征刻画,并设计概率更新方法实现最小修订,以最少变更达成演绎封闭。
2025-07-08 cs.AI
Relevance Sensitive Non-Monotonic Inference on Belief Sequences
我们提出了一种方法,相关敏感的非单调推理的信念序列,其中包括有关优先推理和相关敏感,不一致容忍的信念修订的见解。我们的模型使用一个有限的,逻辑上开放的序列的命题公式作为信念的表示,并定义了一个概念的推理maxconsistent子集的公式指导下的两个排序:一个时间序列和排序的基础上的相关关系的结论和公式的序列。相关关系是三元的(使用上下文作为参数),而不是标准的二元公理化。因此,定义的推理操作很容易处理迭代修订维护修订历史,块推导不一致的答案从一个可能不一致的序列,并保持显式和隐式信念之间的区别。在这样做的过程中,它提供了一个自动代理的推理的形式主义和一个合理的模型。
2000-03-08 cs.AI
Nonmonotonic Probabilistic Logics between Model-Theoretic Probabilistic Logic and Probabilistic Logic under Coherence
最近,它已被证明,概率蕴涵下的一致性是弱于模型理论的概率蕴涵。此外,概率蕴涵下的一致性是系统P中的默认蕴涵的推广。在本文中,我们继续这条线的研究,提出了更复杂的概念之间的模型理论的概率蕴涵和概率蕴涵下的一致性的经典默认蕴涵的概率概括。也就是说,新的形式主义适当地推广了经典缺省推理中的对应形式,它们比模型论概率蕴涵弱,但在一致性下比概率蕴涵强。新的形式主义是有用的,特别是处理概率不一致的条件下零事件。它们也可以应用于概率信念修正。更一般地说,在相同的精神,类似以前的文件,本文揭示了令人兴奋的新的形式主义概率推理超出了众所周知的标准。
2002-07-22 cs.AI
On the tractable counting of theory models and its application to belief revision and truth maintenance
近年来,我们引入了可分解否定范式(DNNF)作为命题理论的一种易处理的形式,并提供了一些可以在多项式时间内对其执行的强大的逻辑运算。提出了一种将任意合取范式编译为DNNF的算法,并从结构上保证了其空间复杂度和时间复杂度。在本文中,我们提出了一个线性时间算法转换成一个等价的DNNF的有序二元决策图(OBDD)表示的命题理论,显示DNNF的规模以及OBDD。我们还确定了一个子类的DNNF,我们称之为确定性DNNF,D-DNNF,并表明,以前的复杂性保证编译DNNF继续持有这个更严格的子类,它具有更强的属性。特别是,我们提出了一个新的操作d-DNNF,它允许我们计算其模型下的断言,收回和翻转的每一个字面量通过遍历d-DNNF两次。也就是说,在这样的遍历之后,我们可以在恒定时间内测试:d-DNNF对任何文字的蕴涵,以及在任何文字的撤回或翻转下d-DNNF的一致性。我们展示了这些新的操作的意义,显示他们如何让我们实现线性时间,完整的真理维护系统和线性时间,完整的信念修正系统的两个重要类别的命题理论。
2000-03-09 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
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
Probabilistic Belief Change: Expansion, Conditioning and Constraining
University of Amsterdam(阿姆斯特丹大学)
信念修正的AGM理论已成为研究理性信念变化的重要范式。不幸的是,研究人员在这一范式限制了他们的注意力相当简单的信念状态表示,即逻辑封闭的命题句子集。在我们看来,这导致了对信念改变操作的过于抽象的分类:扩张、修正或收缩。偶尔,在AGM范式中,也考虑了概率信念变化,并且广泛接受概率版本的扩展是条件反射。然而,我们认为,它可能是更正确的视条件和扩展为两种本质上不同的信念变化,我们所谓的约束是一个更好的候选人被认为是概率扩展。
2013-01-23 cs.AI
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
A General Multi-agent Epistemic Planner Based on Higher-order Belief Change
近年来,多智能体认知规划受到了动态逻辑和规划界的关注。现有的多智能体认知规划的实现是基于编译成经典的规划,并遭受各种限制,如只生成线性计划,限制公共行动,以及无法处理分离的信念。在本文中,我们提出了一个通用的表示语言的多智能体认知规划的初始知识库和目标,行动的先决条件和效果可以是任意的多智能体认知公式,和解决方案是一个行动树分支的感知结果。为了支持多智能体KD45逻辑中的高效推理,我们使用称为交替覆盖析取公式(ACDF)的范式。我们提出了基本的修正和更新算法的ACDF。我们还处理静态命题常识,我们称之为约束。基于我们的推理,修正和更新算法,适应从文献中的概率规划的PrAO算法,我们实现了一个多智能体的认知规划称为MEPK。我们的实验结果表明,我们的方法的可行性。
2018-08-14 cs.AI
Conservative Extensions in Horn Description Logics with Inverse Roles
Universität Bremen(不来梅大学)
研究了Horn描述逻辑中保守扩张的可判定性和计算复杂性,以及与之相关的不可分离性和蕴涵概念.我们认为这两个查询保守的扩展,定义要求所有的合取查询的答案保持不变,和演绎保守的扩展,这要求所涉及的概念包含,角色包含和功能断言不改变。查询保守扩展的上界是特别具有挑战性的,因为通用模型之间的无界同态的特征,这是建立可判定性的标准方法的基础,在逆角色的存在下失败。我们诉诸于一个特征,仔细混合无界和有界同态,使决策过程,结合树自动机和马赛克技术。我们的主要结果是:查询保守扩展在ELI和Horn-ALCHIF之间以及Horn-ALC和Horn-ALCHIF之间的所有DL上都是2 ExpTime完全的;演绎保守扩展在ELI和ELHIF_ \bot之间的所有DL上都是2 ExpTime完全的。同样的结果也适用于不可分离性和蕴涵。
2020-11-19 cs.AI
Compressed Constraints in Probabilistic Logic and Their Revision
Plymouth State College(普利茅斯州立学院)
在概率逻辑蕴涵中,即使是中等规模的问题也可以产生具有如此多变量的线性约束系统,以至于精确的方法是不切实际的。在许多感兴趣的情况下,通过引入三值逻辑(真、假和“不关心”)可以解决这个困难。三值的方法允许建设的“压缩”约束系统,具有相同的解决方案集作为他们的两个值的同行,但它可能涉及显着更少的变量。技术计算点估计的后验概率的蕴涵句子进行了讨论。
2013-03-20 cs.AI
Dynamic Preference Logic meets Iterated Belief Change: Representation Results and Postulates Characterization
Federal University of Bahia(巴伊亚联邦大学);Pontifical Catholic University of Rio Grande do Sul(南里奥格兰德天主教大学);Federal University of Rio Grande do Sul(南里奥格兰德联邦大学)
AGM的信念修正是信念改变操作研究的主要范式之一。最近,在文献中已经提出了几种用于信念和信息改变的逻辑,并用于在丰富和富有表现力的语义框架中对信念改变操作进行编码。虽然Segerberg的工作已经研究了AGM类操作及其在动态doxastic逻辑中的编码之间的联系,但据我们所知,动态认知逻辑(DEL)领域的大多数工作都没有尝试使用这些逻辑作为工具来研究信念变化算子的数学性质。这项工作研究如何动态偏好逻辑,在DEL家庭的逻辑,可以用来研究动态信念变化算子的属性,重点是众所周知的迭代信念变化的假设。
2021-01-05 cs.AI cs.LO
Belief merging within fragments of propositional logic
Aix Marseille Université(艾克斯-马赛大学);CNRS(法国国家科学研究中心);Vienna University of Technology(维也纳工业大学)
最近,在命题逻辑片段的框架内的信念变化得到了越来越多的关注。以往的研究主要集中在Horn片段上的信念收缩和信念修正。然而,在命题逻辑的片段的信念合并的问题一直被忽视。本文提出了一种通用的方法来定义新的合并运算符来自现有的,这样的合并结果仍然在考虑中的片段。我们的方法不仅限于霍恩片段的情况下,但适用于任何片段的命题逻辑的特点是封闭属性的模型集的公式。我们研究的逻辑属性的建议运营商的合并假设的满意度,特别考虑到基于距离的合并运营商的霍恩和克罗姆片段。
2014-04-25 cs.AI cs.LO
Belief Revision in Structured Probabilistic Argumentation
U.S. Military Academy(美国军事学院);University of Oxford(牛津大学);Universidad Nacional del Sur(南方国立大学)
在实际应用中,由特定领域的所有信息组成的知识库,以及当前的事态,必然包含来自不同来源的矛盾数据,以及带有不同程度不确定性的数据。同样,与维护知识库相关的工作的一个重要方面是决定哪些信息不再有用;信息片段(如情报报告)可能已经过时,可能来自最近发现的低质量来源,或者可能有大量证据与之相矛盾。在本文中,我们提出了一个概率结构化的论证框架,产生于扩展的假设可废止逻辑编程(PreDeLP)与概率模型,并认为这种形式主义是能够解决的基本问题,处理矛盾和不确定的数据。然后,为了解决最后一个问题,我们专注于研究概率PreDeLP程序上的非优先信念修正操作。我们提出了一套合理性假设-基于著名的经典知识库开发-的特点,这些操作应该如何表现,并研究了一类运营商的理论关系与建议的假设,包括表示定理,说明这类和一类运营商之间的等价性,其特征在于由假设。
2014-01-07 cs.AI cs.LO
Learning Probabilities: Towards a Logic of Statistical Learning
University of Amsterdam(阿姆斯特丹大学);University of Bayreuth(拜罗伊特大学)
我们提出了一个新的模型,用于形成信念和学习未知的概率(例如从一个带有未知分布的彩色大理石的袋子中挑选红色大理石的概率)。对于这种“根本不确定性”的情况,最普遍的模型是不精确的概率,即将代理人的知识表示为一组概率度量。我们在这个模型中添加了一个可扩展性图,将每个度量与可扩展性数相关联,作为一种超越已知确定性的方式,并表示代理对概率的信念。有一些标准的例子:香农熵,质心等,然后我们考虑学习两种类型的信息:(1)通过重复采样从未知分布(例如从袋子里捡弹珠)学习;(2)学习关于分布的高阶信息(以线性不等式的形式,例如我们被告知红色弹珠比绿色弹珠多)。第一种方法只改变可扩展性图(通过贝叶斯规则的“可扩展性”版本),但保持给定的度量集不变;第二种方法缩小了度量集,但不改变它们的可扩展性。信念的定义与信念修正理论相同,即在最可信的世界中的真理。但是我们的信念改变不符合标准AGM公理,因为由(1)引起的修正是非AGM类型的。这是必不可少的,因为它允许我们的代理学习真实的概率:我们证明了通过重复采样获得的信念几乎肯定会收敛到正确的信念(在真实概率中)。最后,我们勾勒出统计学习的动态doxastic逻辑的轮廓。
2019-07-22 cs.AI cs.LO
Are language models rational? The case of coherence norms and belief revision
Department of Philosophy University of North Carolina at Chapel Hill(哲学系北卡罗来纳大学教堂山分校);Department of Computer Science University of North Carolina at Chapel Hill(计算机科学系北卡罗来纳大学教堂山分校);Department of Computer Science University of Texas at Austin(计算机科学系德克萨斯大学奥斯汀分校)
本文针对语言模型是否适用理性规范的问题,聚焦一致性规范提出MAC与基于下一词元概率的置信度刻画方法,明确规范的适用边界,为AI安全对齐及模型行为理解提供支撑。
2025-11-14 cs.AI cs.CL
Minimum Model Semantics for Extensional Higher-order Logic Programming with Negation
University of Athens(雅典大学);University of Szeged(塞格德大学)
可拓高阶逻辑程序设计是经典逻辑程序设计的推广。这种范式的一个重要特征是它保留了传统逻辑编程的所有众所周知的属性。在本文中,我们考虑在新的范式的背景下,否定的语义。利用非单调不动点理论的一些最新结果,我们证明了每一个带否定的高阶逻辑程序都有唯一的最小无穷值模型。通过这种方式,我们获得了第一个纯粹的模型论语义的否定在可拓高阶逻辑编程。使用我们的方法,我们解决了一个老的悖论,介绍了W。W. Wadge,以证明高阶逻辑编程的语义困难。
2014-05-15 cs.AI cs.LO cs.PL
Extensional Higher-Order Logic Programming
University of Athens(雅典大学);University of Victoria(维多利亚大学)
我们提出了一个纯粹的扩展语义高阶逻辑编程。在这个语义中,程序谓词表示有序元组的集合,两个谓词相等当且仅当它们作为集合相等。此外,每个程序都有唯一的最小Herbrand模型,它是程序所有Herbrand模型的最大下界,也是直接结果算子的最小不动点。我们还提出了一个SLD分辨率证明程序,这是证明的声音和完整的最小模型语义。换句话说,我们提供了一个纯粹的扩展的理论框架,高阶逻辑编程的经典(一阶)逻辑编程的熟悉的理论。
2011-06-17 cs.AI cs.LO cs.PL
Space-contained conflict revision, for geographic information
使用定性推理与地理信息,相反,例如,与机器人技术,看起来不仅挑剔(即:编码知识命题逻辑PL),但似乎是计算复杂的,而不是易于处理的,在大多数时候。然而,知识融合或修订,是一个常见的操作时,用户合并几个不同的数据集在一个独特的决策过程中,没有太多的支持。引入逻辑将是一个很大的改进,我们在本文中提出,手段决定-先验-如果一个应用程序可以受益于一个完整的修订,只有假设的猜想,我们命名为“遏制猜想”,这限制了最小的冲突修改的大小。我们证明,这个猜想给我们带来了有趣的计算性能,执行一个不可证明的,但全球性的,修订,许多地方的修订,在一个易于处理的大小。我们在一个应用程序上说明了这种方法。
2007-03-26 cs.AI
Preregistered Belief Revision Contracts
本文提出预注册信念修订合同,通过严格分离开放通信与可接受的认知变化,防止群体一致性效应。证明了在证据合同下,社会轮次无法提升信心,且无法生成纯一致性驱动的错误但确定性 cascades。
2026-09-24 cs.AI cs.CL cs.LO
Extensional Higher-Order Paramodulation in Leo-III
University of Luxembourg(卢森堡大学)
Leo-III是一个自动化的定理证明器,用于扩展类型论,具有Henkin语义和选择。通过将基于调节的证明搜索适应于高阶逻辑来启用具有原始等式的推理。证明器可以与多个外部专家推理系统(诸如一阶证明器和SMT求解器)协作。Leo-III与TPTP/TSTP框架兼容,用于输入格式,报告结果和证明,以及推理系统之间的标准化通信,例如,从证明助手(如Isabelle/HOL)内部进行证明重建。Leo-III支持多态一阶和高阶逻辑,所有正常的量化模态逻辑以及不同的道义逻辑中的推理。它的发展开始了TPTP基础设施的不断扩展,以在非经典逻辑中进行推理。
2021-02-28 cs.AI cs.LO cs.SC