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
Characterization of Logic Program Revision as an Extension of Propositional Revision
National Institute of Informatics(国立信息学研究所)
我们解决了逻辑程序的信念修正问题,即,如何将一个新逻辑程序Q合并到一个逻辑程序P中。基于SE解释的结构,Delaware等人将著名的AGM框架应用于逻辑程序(LP)修订。他们确定了LP修正的合理行为,并引入了一些特定的算子。在本文中,所有的理性LP修订运营商的建设性的特征,给出了在命题解释的顺序与特定的SE解释的一些进一步的条件。它提供了一个直观的,完整的过程,所有合理的LP修订运营商的建设,并使其语义和计算性能的理解更容易。我们特别考虑非常一般形式的逻辑程序,即,广义逻辑程序。我们表明,每一个合理的GLP修订运营商是来自一个命题的修订运营商满足原来的AGM假设。有趣的是,特定于GLP修订的进一步条件独立于GLP修订操作符所基于的提议修订操作符。利用我们的表征结果,我们将GLP修正运算符嵌入到布尔格的结构中,这使我们能够揭示适应性AGM假设中的一些潜在弱点。为了说明我们的主张,我们引入和公理化的(理性)GLP修订运营商,可以说有一个激烈的行为两个特定的类的特征。我们还考虑了逻辑程序的两种更受限制的形式,即,析取逻辑程序(DLP)和正常逻辑程序(NLP)的特征化,并使我们的特征化结果适应DLP和NLP修正算子。
2015-06-30 cs.AI
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
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
A Study of Belief Revision Postulates in Multi-Agent Systems (Extended Version)
University of New South Wales(新南威尔士大学);New Mexico State University(新墨西哥州立大学)
研究认知规划中的信念修正问题,将经典AGM信念修正公设推广到多智能体环境,提出广义全交多智能体信念修正算子,并讨论迭代修正公设的推广及事件模型修正算子。
2026-06-12 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
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
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
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
Belief Revision, Minimal Change and Relaxation: A General Framework based on Satisfaction Systems, and Applications to Description Logics
Centrale Supelec(中央理工-高等电力学院);Université Paris-Saclay(巴黎萨克雷大学);Université Paris-Dauphine(巴黎多芬大学);CNRS(法国国家科学研究中心);Télécom ParisTech(巴黎电信学院)
信念修订的知识库表示的一组句子在一个给定的逻辑已被广泛研究,但具体的逻辑,主要是命题,最近也霍恩和描述逻辑。在这里,我们建议从模型理论的角度来概括这种操作,通过定义在一个抽象的模型理论的名称下的满意度系统的修订。在这个框架中,我们推广到任何满意度系统的特征的著名AGM假设给出的胜野和Mendelzon命题逻辑的最小变化之间的解释。此外,我们研究了如何定义修订,满足AGM假设,从松弛的概念,已首次引入描述逻辑定义概念之间的相异性措施,其后果是放松的旧信念的模型集,直到它成为符合新的知识。我们展示了如何建议的一般框架可以在不同的逻辑,如命题,一阶,描述和霍恩逻辑实例化。特别是描述逻辑,我们介绍了几个具体的松弛算子定制的描述逻辑$\ALC{}$和它的片段$\EL{}$和$\ELext{}$,讨论它们的属性,并提供了一些说明性的例子。
2017-01-13 cs.AI
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
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
Conditioning Accept-Desirability models in the context of AGM-like belief change
Ghent University(根特大学)
本文提出了一种在AGM-like信念变更框架下对接受-可欲性模型进行条件化的规则,并探讨了其在经典逻辑和完全条件概率中的适用性。
2025-12-22 cs.AI math.LO math.PR
An AGM Approach to Revising Preferences
ILLC, University of Amsterdam(阿姆斯特丹大学逻辑、语言与计算研究所);TU Graz(格拉茨技术大学)
我们看看偏好的变化所产生的两个元素之间的相互作用:第一个是初始的偏好排名编码预先存在的态度;第二个元素是新的偏好信息信号输入从一个权威的来源,这可能会与初始偏好发生冲突。目的是调整初始偏好,使其与新的偏好一致,而不必放弃更多不必要的信息。我们使用信念改变的正式机制来模拟这个过程,沿着著名的AGM方法的路线。我们提出了一套基本的合理性假设,并得出的主要结果的文件:一组表示定理表明,根据这些假设的偏好变化可以合理化为一个选择功能的指导下,在初始偏好顺序的比较排名。最后,我们提出的运营商满足我们提出的假设。因此,我们的方法使我们能够在更大的信念变化算子家族中进行偏好修正。
2021-12-28 cs.AI
Belief Change based on Knowledge Measures
Istituto di Scienza e Tecnologie dell’Informazione, CNR(意大利国家研究委员会信息科学与技术研究所)
提出基于知识测度的定量信念变更框架,定义最小意外原则下的信念变更算子,满足AGM公设,并刻画所有AGM算子,引入信息损失/增益/变化测度,探讨迭代修订与严重撤回模型。
2024-03-15 cs.AI
Conditioning and AGM-like belief change in the Desirability-Indifference framework
Ghent University(根特大学);Foundations Lab for imprecise probabilities(不精确概率基础实验室)
本文在Desirability-Indifference框架中扩展AGM信念变更以处理条件化,利用抽象选项与事件概念,同时适用于经典与量子概率论。
2025-04-20 cs.AI math.PR quant-ph
Descriptor Revision for Conditionals: Literal Descriptors and Conditional Preservation
FernUniversität in Hagen(哈根远程大学)
Hansson的描述符修正是解决信念改变问题的一个框架。在描述符修改中,不同类型的变更过程在一个联合框架中处理。个别的变化需求是合格的信念描述符表示的特定成功条件,和信念描述符可以结合逻辑连接词。这与目前由阿尔肖龙、格登福斯和梅金森塑造的主流年度股东大会范式形成了鲜明对比,在这种范式中,不同类型的变更(如修订或收缩)被单独处理。在这篇文章中,我们研究了条件逻辑的描述符修改的实现,同时限制描述符的文字描述符的连接。我们应用的原则,条件保存开发的Kern-Isberner描述符修订条件,说明如何描述符修订条件下,这些限制的特点是一个约束满足问题,并实现它使用约束逻辑编程。由于我们的条件逻辑包含命题逻辑,我们的方法也实现了命题逻辑的描述符修订。
2020-06-02 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
When is an Example a Counterexample?
University of Maryland(马里兰大学);Tilburg University(蒂尔堡大学);Carnegie Mellon University(卡内基梅隆大学);Groningen University(格罗宁根大学)
在这个扩展的摘要中,我们仔细研究了迭代信念修正假设的一个所谓的反例。我们建议,这个例子最好被看作是一个失败的信念修正理论在足够的细节。主要贡献是概念性的,旨在文献的哲学基础上的AGM理论的信念修订[1]。我们的讨论是围绕观察,它往往是不清楚是否一个具体的例子是一个“真正的”反例,以一个抽象的理论或该理论的误用,以具体的情况。
2013-10-23 cs.AI
Revision of Defeasible Logic Preferences
University of Verona(维罗纳大学);NICTA(国家信息与通信技术研究院);Griffith University(格里菲斯大学)
有几种非单调推理的情况下,建立规则之间的优先级,其目的是防止冲突。一种被广泛用于非单调推理的形式主义是被称为可废止逻辑的怀疑主义。在可废止逻辑中,用于冲突解决的工具是规则之间的偏好关系,它建立了规则之间的优先级。在本文中,我们研究如何修改这样的偏好关系在一个可废止逻辑理论,以改变理论本身的结论。我们认为,我们采用的方法是适用于法律推理,用户,在一般情况下,不能改变事实或规则,但可以提出他们的偏好的相对强度的规则。我们提供了一个全面的研究可能的组合情况下,我们确定和分析的情况下,修订过程是成功的。在此分析之后,我们确定了三个修订/更新运营商,并研究他们对AGM假设的信念修订运营商,发现只有一部分这些假设是满足的三个运营商。
2012-11-23 cs.AI
From Doyle to AGM: A Survey and an Implementation Roadmap for Belief Change
NOVA Laboratory for Computer Science and Informatics (NOVA LINCS)(NOVA计算机科学与信息学实验室(NOVA LINCS));Universidade da Madeira(马德拉大学)
该研究通过叙事综述梳理信念修正从计算起源到 AGM 框架及当代方法的演化,明确 AGM 前后的关联与转变,为计算信念变更的实现研究提供理论基础与路线图。
2026-08-18 cs.AI cs.LO
Commitment Hierarchies under Intent Revision: A Belief-Revision Account of Salvage in Tool-Use Agents
Georgia Institute of Technology(佐治亚理工学院)
本研究提出通过一次性修订分类与确定性决策传播,使工具使用智能体在用户中途改变意图时实现成本最优的打捞,比重启便宜43%且保持100%正确率。
2026-09-30 cs.AI
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
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
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
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
Efficient Layer-wise LLM Fine-tuning for Revision Intention Prediction
Department of Computer Science, Learning Research & Development Center University of Pittsburgh(计算机科学系、学习研究与开发中心匹兹堡大学)
针对LLM文本分类潜力挖掘不足、修改意图预测任务标注稀缺的问题,提出基于梯度范数动态选层的逐层参数高效微调框架IR-Tuning,在多类修改任务上性能优于同类基准,且收敛快、显存占用低、小语料下也有效。
2025-09-30 cs.AI cs.CL
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
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
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
Intention as Commitment toward Time
Google Research(谷歌研究院);Utrecht University(乌得勒支大学);University of Luxembourg(卢森堡大学);Stanford University(斯坦福大学);University of Maryland(马里兰大学)
在本文中,我们解决了在动态环境中的意图,时间和信念之间的相互作用。第一个贡献是一个逻辑推理的意图,时间和信念,其中假设的意图表示的先决条件的预期行动。只要这些假设不被违反,意图和信念就是一致的,也就是说,只要预期的行为能够被执行,它们的前提条件也成立。第二个贡献是假设情景的形式化:如果采用了新的(可能相互冲突的)意图,或者学习了新的事实,意图和信念会发生什么?一个代理人致力于其预期的行动,只要其信念意图数据库是一致的。我们概念化的意图,对时间的承诺,我们开发AGM为基础的假设的信念意图数据库的迭代修订,我们证明了一个胜野-Mendelzon式的表示定理。
2020-04-17 cs.AI cs.LO
An Investigation of Darwiche and Pearl's Postulates for Iterated Belief Update
Jinan University(暨南大学)
本文针对Rodrigues迭代信念更新方法不满足基本要求的问题,基于信念状态修改KM公设,将迭代信念修正公设迁移到信念更新,并给出偏预序语义刻画及相容性分析。
2023-10-28 cs.AI
Graph-Native Cognitive Memory for AI Agents: Formal Belief Revision Semantics for Versioned Memory Architectures
Kumiho Inc.(科米霍公司)
本文提出Kumiho架构,结合正式信念修订语义,实现统一的图原记忆系统,通过双重存储模型和混合检索方式,在LoCoMo和LoCoMo-Plus基准测试中取得显著性能提升。
2026-03-18 cs.AI cs.IR cs.LO
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 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
Applying Maxi-adjustment to Adaptive Information Filtering Agents
学习和适应是智能代理的基本属性。在自适应信息过滤的上下文中,过滤代理关于用户的信息需求的信念必须参照用户的最新信息偏好来定期修改。这种学习和适应过程对于保持代理的过滤性能是必不可少的。AGM信念修正范式提供了一个严格的基础建模理性和最小的变化代理的信念。特别是,最大调整方法,它遵循AGM的信念改变的基本原理,提供了一个健全的和强大的计算机制来开发自适应代理,使这些代理的学习自主性可以提高。本文介绍了如何应用最大调整方法来开发自适应信息过滤代理的学习组件,并讨论了应用这样的框架,这些代理可能遇到的困难。
2000-03-08 cs.AI cs.MA
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
A General Framework of Epistemic Forgetting and its Instantiation by Ranking Functions
Faculty of Mathematics(数学系);Computer Science, University of Hagen, 58084 Hagen, Germany(计算机科学,海因斯大学,德国);Department of Computer Science, Technology Dortmund University, 44221 Dortmund, Germany(计算机科学系,多特蒙德技术大学,德国)
本文提出认知遗忘的一般框架,以Spohn排序函数实例化五类遗忘和七种具体操作,并结合逻辑程序设计与AGM公设系统评估其异同。
2025-08-29 cs.AI
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
Machine Learning as Iterated Belief Change a la Darwiche and Pearl
Department of Digital Systems School of Economics and Technology University of the Peloponnese Sparta 231 00, Greece(数字系统系经济与技术学院希腊皮埃蒙特大学斯巴达231 00校区)
本研究针对此前用全交AGM信念变更理论建模二元ANN训练的局限,证明Dalal方法可实现信念状态渐进演化,且用符合Darwiche-Pearl框架的词典序修正与适度收缩能更有效建模二元ANN训练动态。
2025-10-05 cs.AI cs.LG cs.LO