Sample-Efficient Learning of Probabilistic Causes for Reachability in Markov Decision Processes with Probabilistic Guarantees
Toyota Research Institute of North America（丰田美国研究院）；Toyota Motor North America Frontier Research Center（丰田北美前沿研究中心）；Toyota Motor Corporation（丰田公司）；Toyota Motor North America（丰田北美）
针对未知转移概率的马尔可夫决策过程，提出一种基于重启的修改方法，将概率提升原因检查简化为两个条件可达性查询，并设计基于双边值迭代的随时学习与检查算法，实现高效且可靠的原因识别。
2026-06-29 cs.AI cs.SY eess.SY
Attacks by Content: Automated Fact-checking is an AI Security Issue
School of Electronic Engineering and Computer Science（电子工程与计算机科学学院）；Queen Mary University of London（伦敦女王学院）
本文提出“基于内容的攻击”，指出攻击者可通过提供虚假信息操纵AI智能体，并提议将自动化事实核查作为智能体的认知自我防御工具。
2025-10-13 cs.AI cs.CL
Alignment-based conformance checking over probabilistic events
University of Edinburgh（爱丁堡大学）
一致性检查技术允许我们评估一些表现出的行为（由监视事件的跟踪表示）与指定的流程模型的一致性。现代监控和活动识别技术，例如依赖于传感器、物联网、统计和人工智能的技术，可以产生丰富的相关事件数据。然而，这些数据通常具有噪声和不确定性的特征，与一致性检查算法所需的确定性事件日志的假设相反。在本文中，我们扩展了基于一致性检查的概率事件日志下的功能。我们引入了一个加权跟踪模型和加权对齐成本函数，以及一个自定义阈值参数，用于控制事件数据与流程模型的置信度。由此产生的算法考虑的活动较低，但足够高的概率，更好地符合流程模型。我们从形式和直观的角度解释了该算法及其动机，并使用现实生活中的数据集与确定性对齐进行了比较，展示了其功能。
2023-03-30 cs.AI
A Step from Probabilistic Programming to Cognitive Architectures
ITMO University（ITMO大学）；St. Petersburg State University（圣彼得堡国立大学）
概率编程被认为是一个框架，在这个框架中，认知体系结构的基本组成部分可以以统一和优雅的方式表示。同时指出了采用认知体系结构的某些组成部分来扩展概率程序设计语言能力的必要性。特别是，隐式规范的生成模型，通过声明的概念和它们之间的联系，并简要讨论了有用的声明性知识，实现高效的推理。
2016-05-04 cs.AI
Explainable Fact Checking with Probabilistic Answer Set Programming
EURECOM（EURECOM通信系统研究所）；Arizona State University（亚利桑那州立大学）
事实核查的一个挑战是提高决策透明度的能力。我们提出了一个事实检查方法，使用知识图谱（KG）中的参考信息来评估索赔并解释其决策。知识库包含知识的形式化表示，其中包含实体及其关系的语义描述。我们利用这样丰富的语义产生可解释的解释的事实检查输出。由于KG中的信息不可避免地是不完整的，我们依靠逻辑规则发现和Web文本挖掘来收集证据来评估给定的索赔。将不确定的规则和事实转化为逻辑程序，并将检查任务建模为答案集程序概率扩展中的推理问题。实验表明，概率推理能够有效地标记具有可解释解释的解释的索赔，并且结果的质量高于最先进的基线。
2019-06-21 cs.AI cs.DB cs.LO
Probabilistic Model Checking of Robots Deployed in Extreme Environments
Heriot-Watt University（赫瑞-瓦特大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Liverpool（利物浦大学）
机器人越来越多地用于在对人类有害的极端环境中执行关键任务。这就要求机器人在不确定条件下具有高度的操作自主性，并对确保机器人的安全性和可靠性提出了新的挑战。在本文中，我们开发了一个框架，概率模型检验分层马尔可夫模型，以验证这种机器人的安全性和可靠性要求，无论是在任务前阶段和运行时。引入了基于保守贝叶斯推断和先验不精确概率模型的两种新的估计器，用于从运行数据中学习未知的过渡参数。我们展示了我们的方法使用的数据，从现实世界中部署的无人水下航行器在极端环境中。
2019-02-15 cs.AI
Multi-Agent Verification and Control with Probabilistic Model Checking
University of Oxford（牛津大学）
本文综述了概率模型检验与博弈论结合以验证多智能体交互的进展，并探讨其在人工智能、机器人等领域的应用及未来挑战。
2023-08-05 cs.AI cs.LO
Probabilistic Results on the Architecture of Mathematical Reasoning Aligned by Cognitive Alternation
Peking University（北京大学）
该研究设想可求解数学问题的机器，将定量推理系统拆分为思维与认知过程两部分，并给出该架构的概率性描述。
2023-08-17 cs.AI math.PR
Tensor Probabilistic Model Checking of Finite-Horizon Markov Chains (Extended Version)
University of Waterloo（滑铁卢大学）
该研究针对步长有界可达概率的马尔可夫链验证问题，提出将概率模型检测转化为稠密张量计算的方法，实现为工具Tessa，在基准测试上较现有方法大幅加速。
2026-08-04 cs.AI cs.LO cs.MS
Transforming Probabilistic Programs for Model Checking
Columbia University（哥伦比亚大学）；Utrecht University（乌得勒支大学）
概率编程非常适合可靠和透明的数据科学，因为它允许用户用高级语言指定他们的模型，而不必担心如何拟合模型的复杂性。概率程序的静态分析通过自动化耗时且易出错的任务，为实现高级风格的编程提供了更进一步的机会。我们将静态分析应用于概率程序，以自动化两个关键模型检验方法的大部分：先验预测检验和基于仿真的校准。我们的方法将指定密度函数的概率程序转换为高效的前向采样形式。为了实现这种转换，我们提取一个因素图从概率程序使用静态分析，生成一组建议有向无环图使用SAT求解器，选择一个图形，这将产生可证明正确的采样代码，然后生成一个或多个采样程序。我们允许最少的用户交互，以扩大应用范围，超出单独使用静态分析的可能范围。我们提出了一个实现针对流行的斯坦概率程序设计语言，自动化大部分的强大的贝叶斯工作流程的概率编程用户广泛的社区。
2020-08-21 cs.AI cs.LG cs.PL
Fact-Checking with Large Language Models via Probabilistic Certainty and Consistency
Emory University（埃默里大学）
PCC通过概率确定性与一致性框架，自适应决定LLM是否依赖内部知识或启动检索，以提升事实核查的准确性和效率。
2026-01-05 cs.AI cs.CL
Bayesian Inference by Symbolic Model Checking
RWTH Aachen University（亚琛工业大学）
本文将离散马尔可夫链的概率模型检验技术应用于贝叶斯网络的推理。我们提出了一个简单的翻译，从贝叶斯网络到树状马尔可夫链，这样的推理可以减少到计算可达性概率。使用风暴模型检查器上的原型实现，我们表明，符号数据结构，如多端BDD（MTBDD）是非常有效的大型贝叶斯网络基准进行推理。我们将我们的结果与使用概率决策图和vtree（AI推理工具中的一种可扩展符号技术）的推理进行比较。
2020-07-29 cs.AI cs.FL
A Whole Brain Probabilistic Generative Model: Toward Realizing Cognitive Architectures for Developmental Robots
Ritsumeikan University（立命馆大学）；The University of Tokyo（东京大学）；The Whole Brain Architecture Initiative（全脑架构倡议）；Osaka University（大阪大学）；Okinawa Institute of Science and Technology Graduate University（冲绳科学技术大学院大学）；Tamagawa University（玉川大学）；The University of Electro-Communications（电气通信大学）
构建一个类人的综合性人工认知系统，即人工通用智能（AGI），是人工智能（AI）领域的圣杯。此外，使人工系统能够实现认知发展的计算模型将是脑和认知科学的极好参考。本文介绍了一种方法来开发一个认知架构，通过整合基本的认知模块，使培训的模块作为一个整体。这种方法基于两个想法：（1）大脑启发的AI，学习人类大脑结构以构建人类水平的智能，以及（2）基于概率生成模型（PGM）的认知系统，通过集成PGM为开发机器人开发认知系统。开发框架被称为全脑PGM（WB-PGM），它与现有的认知架构有根本的不同，因为它可以通过基于感觉运动信息的系统不断学习。在这项研究中，我们描述了WB-PGM的基本原理，基于PGM的基本认知模块的现状，它们与人脑的关系，认知模块的整合方法，以及未来的挑战。我们的研究结果可以作为脑研究的参考。由于PGM描述变量之间的明确信息关系，这种描述提供了从计算科学到脑科学的可解释指导。通过提供这些信息，神经科学的研究人员可以向人工智能和机器人技术的研究人员提供反馈，说明当前模型在大脑方面缺乏什么。此外，它可以促进神经认知科学以及人工智能和机器人技术研究人员之间的合作。
2022-01-09 cs.AI
The Relevance of Proofs of the Rationality of Probability Theory to Automated Reasoning and Cognitive Models
New York University（纽约大学）
一些著名的定理，如Cox定理和de Finetti定理。证明任何满足特定“合理性”条件的不确定信息推理模型都必须满足概率论公理。我在这里认为，这些定理本身并不证明概率模型实际上适合于自动推理中的任何特定任务，或者对于认知模型来说是合理的。首先，这些定理只证明存在某种概率模型;它们没有证明存在一个有用的概率模型，即一个具有可追踪的少量数值参数和大量独立假设的模型。其次，对于给定的情况，通常有许多不同的概率模型，其中许多模型在通常意义上可能比违反概率论公理的模型更加不合理。我用两个归纳任务的扩展例子来说明这第二点，这两个任务具有相似的结构，其中合理的概率模型非常不同。
2013-10-04 cs.AI
Checking Trustworthiness of Probabilistic Computations in a Typed Natural Deduction System
University of Milan（米兰大学）；University of Verona（维罗纳大学）；University of Turin（都灵大学）
本文提出概率类型化自然演绎演算TPTND，将概率计算可信性形式化为频率与预期概率距离的假设检验，定义其语义与Trust运算符，阐述结构及元理论属性，重点关注可信性保留条件。
2025-02-13 cs.AI cs.LO
Uncertain Process Data with Probabilistic Knowledge: Problem Characterization and Challenges
Bar-Ilan University（巴伊兰大学）；The Technion - Israel Institute of Technology（以色列理工学院）
由于来自多个来源（包括物理设备和传感器）的大量不确定事件数据，本文提出了将随机过程观测与可以从数据集呈现的过程模型相关联的任务。与以前的研究，建议将一个随机已知的事件日志转换成一个信息量较少的不确定日志与活动频率的上限和下限相比，我们考虑的挑战，容纳的概率知识一致性检查技术。基于一个分类法，捕捉频谱的一致性检查的情况下，随机过程的观察，我们提出了三种类型的挑战性的情况下。第一个包括随机已知日志相对于给定流程模型的一致性检查。第二种情况扩展了第一种情况，将随机已知的日志分类为几个过程模型之一。第三种情况将前两种情况扩展到过程模型仅随机已知的设置中。所提出的问题捕捉越来越多的应用程序中，传感器提供概率过程信息。
2021-06-07 cs.AI
Bayesian Statistical Model Checking for Multi-agent Systems using HyperPCTL*
Kansas State University（堪萨斯州立大学）
在本文中，我们提出了一个贝叶斯方法的统计模型检验（SMC）的概率超性质的逻辑HyperPCTL* 上的离散时间马尔可夫链（DTMCs）。虽然SMC的HyperPCTL* 使用序贯概率比检验（SPRT）已经探索过，我们开发了一种替代SMC算法的基础上贝叶斯假设检验。与PCTL* 相比，验证HyperPCTL* 公式是复杂的，因为它们在DTMC的多个路径上同时解释。此外，由于SMC不返回子公式的可满足性问题的精确答案，而是仅返回具有高置信度的正确答案，因此扩展非概率设置的自底向上模型检查算法并不直接。我们提出了一个递归算法的SMC的HyperPCTL* 的基础上修改贝叶斯检验，在递归可满足性结果的不确定性的因素。我们已经实现了我们的算法在Python工具箱，HyProVer，并比较我们的方法与基于SPRT的SMC。我们的实验评估表明，我们的贝叶斯SMC算法在验证时间和推导给定HyperPCTL* 公式的可满足性所需的样本数量方面都表现得更好。
2022-09-06 cs.AI cs.LO cs.MA
CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding
Tsinghua University（清华大学）；School of Software（软件学院）
本文提出CogDPM，将扩散概率模型与预测编码理论结合，利用扩散模型的分层采样能力估计精度权重，并在英国降水和ERA地表风数据集上验证其优于现有业务模型和深度预测模型。
2024-05-03 cs.AI cs.LG cs.NE
Measuring Non-Probabilistic Uncertainty: A cognitive, logical and computational assessment of known and unknown unknowns
Frankfurt School of Finance & Management（法兰克福金融与管理学院）；University of Bologna（博洛尼亚大学）
概率论不能充分描述不确定性有两个原因。第一种是由于独特或近乎独特的事件，这些事件要么从未实现，要么发生得太少，以至于无法可靠地测量频率。第二个是当一个人害怕某件事可能发生时，他甚至无法弄清楚，例如，如果有人问：“气候变化、金融危机、流行病、战争，接下来会发生什么？“在这两种情况下，简单的一对一的认知地图之间的可用的替代品和可能的后果最终融化。然而，这种破坏以具体、可识别和不同的方式反映在企业高管、员工和其他利益相关者不断变化的叙述中。特别是，可以分析顾问报告或致股东的信函等文本，以查明这两种不确定性对通常指导决策的因果关系的影响。我们提出了认知地图的结构措施作为衡量非概率不确定性的一种手段，最终表明，自动文本分析可以大大增加这些技术提供的可能性。预期的应用可能涉及从统计机构到企业以及一般公众的各种行为者。
2023-03-16 cs.AI cs.LG
Probabilistic Model Checking of Autoregressive Neural Sequence Models
Simula Research Laboratory（西穆拉研究实验室）
本文提出用概率模型检测流程，结合DTMC、PRISM、CEGAR等技术，量化自回归神经序列模型的约束违反概率与输入总体合规比例，在CAPP、SMILES模型上验证了该方法的有效性。
2026-09-02 cs.AI cs.SE
Neuro-SERKET: Development of Integrative Cognitive System through the Composition of Deep Probabilistic Generative Models
Ritsumeikan University（立命馆大学）；Osaka University（大阪大学）；The University of Electro-Communications（电气通信大学）；The University of Tokyo（东京大学）
本文描述了一个框架的发展的基础上概率生成模型（PGMs）称为Neuro-SERKET的综合认知系统。Neuro-SERKET是SERKET的扩展，它可以组成以分布式方式开发的基本PGM，并提供一种允许组成的PGM以无监督的方式在整个系统中学习的方案。除了SERKET支持的头对尾连接之外，Neuro-SERKET还支持尾对尾和头对头连接，以及基于神经网络的模块，即，深层生成模型作为Neuro-SERKET应用的一个例子，通过组成变分自编码器（VAE）、高斯混合模型（GMM）、潜在狄利克雷分配（LDA）和自动语音识别（ASR）来开发综合模型。该模型称为VAE+GMM+LDA+ASR。VAE+GMM+LDA+ASR的性能和Neuro-SERKET的有效性通过使用图像数据和数字的语音信号的多模态分类任务被证明。
2020-01-30 cs.AI cs.LG
MetaCOG: A Hierarchical Probabilistic Model for Learning Meta-Cognitive Visual Representations
Yale University（耶鲁大学）；Princeton University（普林斯顿大学）；Basis Research Institute（贝斯研究所）；Zuckerman Institute（扎克曼研究所）；Data Science Institute（数据科学研究所）；Columbia University（哥伦比亚大学）；Wu Tsai Institute（蔡氏研究所）
受人类元认知能力启发，提出可附加于神经目标检测器的分层概率模型MetaCOG，通过贝叶斯推理学习检测器性能表征，结合物体恒存性做联合推理，能在无真值时提升系统准确率并具备误差鲁棒性。
2024-07-09 cs.AI cs.CV
Differentiable Probabilistic Logic Networks
SingularityNET Foundation（SingularityNET基金会）；ITMO University（ITMO大学）
概率逻辑推理是OpenCog等认知架构的核心组件。然而，作为一个综合架构，OpenCog通过混合不同的推理方法促进认知协同。在本文中，我们介绍了一个可微版本的概率逻辑网络，规则操作张量真值的方式，一个链的推理步骤构建一个计算图的张量，接受真值的前提知识库作为输入，并产生真值的结论作为输出。这允许通过结合子符号优化和符号推理的反向传播来学习前提的真值和规则的公式（以具有可训练权重的形式指定）。
2019-07-10 cs.AI cs.LO
Hypothesis-guided discovery of cognitive algorithms via program refinement
University of California, Berkeley（加州大学伯克利分校）；New York University（纽约大学）
提出一种混合系统，将认知算法发现视为程序精炼问题，结合人类模型与LLM代理，在问题解决任务上提升模型拟合度并揭示行为变异性。
2026-10-05 cs.AI
Cognitive Architecture for Decision-Making Based on Brain Principles Programming
Novosibirsk State University（新西伯利亚国立大学）；Sberbank of Russia（俄罗斯联邦储蓄银行）
我们描述了一个认知架构，旨在解决广泛的问题的基础上确定的大脑活动的五个原则，其实施在三个子系统：逻辑概率推理，概率形式概念和功能系统理论。构建架构涉及任务驱动方法的实现，该方法允许将所应用的应用的目标功能定义为根据与任务相对应的操作环境而制定的任务，该任务在应用本体中表达。我们提供了一个基本的本体的一些实际应用，以及基于它的主题域本体，描述了拟议的架构，并给出了可能的例子，这些应用程序在这个架构中的执行。
2022-06-19 cs.AI cs.CE
A Probabilistic Attack on NP-complete Problems
AlgoTerra LLC（AlgoTerra 有限责任公司）
本文利用概率论方法，揭示了任意NP完全问题等价于一个检验特定构造的调和代价函数（其Hessian矩阵的所有对角元素均为零）的水平集是否与多维欧氏空间中的单位超立方体相交的问题.这种联系表明，连续数学方法有可能为现代复杂性理论中最有趣的开放问题提供重要的见解。
2012-08-02 cs.AI cs.CC cs.DM
Cognitive Architecture for Decision-Making Based on Brain Principles Programming (in Russian)
Novosibirsk State University（新西伯利亚国立大学）；Sberbank of Russia（俄罗斯联邦储蓄银行）
我们描述了一个认知架构，旨在解决广泛的问题的基础上确定的大脑活动的五个原则，其实施在三个子系统：逻辑概率推理，概率形式概念和功能系统理论。构建架构涉及任务驱动方法的实现，该方法允许将所应用的应用的目标功能定义为根据与任务相对应的操作环境而制定的任务，该任务在应用本体中表达。我们提供了一个基本的本体的一些实际应用，以及基于它的主题域本体，描述了拟议的架构，并给出了可能的例子，这些应用程序在这个架构中的执行。
2023-02-18 cs.AI cs.HC cs.SY
