Parallel Lifted Planning via Semi-Naive Datalog Evaluation
本文提出一种基于半 naive Datalog 评估的并行提升规划方法，通过两级并行性提升规划效率，在多核环境下实现显著加速。
2026-05-08 cs.AI
The Dually Flat Geometry of Planning as Inference
Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所）；Okinawa Institute of Science and Technology（冲绳科学技术大学院大学）
该研究提出强化学习中占用度的新表征，定义访问度并构建其对偶平坦统计流形，推广规划即推理至非线性泛函，推导其对强化学习和理论神经科学的意义。
2026-09-04 cs.AI
Learning Domain-Independent Heuristics for Grounded and Lifted Planning
The Australian National University（澳大利亚国立大学）
本文提出三种基于GNN的规划任务图表示，并首次仅用提升表示学习领域无关启发式，理论与实验均证明其表达能力和大规模泛化性能优于STRIPS-HGN。
2023-12-20 cs.AI
Novelty and Lifted Helpful Actions in Generalized Planning
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）
本文针对广义规划问题，提出了基于动作新颖性排名的求解器BFS($v$)和PGP($v$)，并引入提升的有用动作、新评估函数与程序限制以扩大搜索规模，实验证明其优于现有最先进方法。
2023-07-03 cs.AI
Lifted Relax, Compensate and then Recover: From Approximate to Exact Lifted Probabilistic Inference
KU Leuven（鲁汶大学）；University of California, Los Angeles（加州大学洛杉矶分校）
我们提出了一种方法来提升近似推理的一阶概率模型，如马尔可夫逻辑网络。它是基于在一个简化的一阶模型，这是通过放松一阶约束，然后补偿放松执行精确的提升推理。这些简化的模型可以通过仔细恢复已经放松的约束来逐步改进，也是在一阶水平上。这导致了一系列近似，一端是提升的信念传播，另一端是精确的提升推理。我们讨论了如何放松，补偿和恢复可以执行，所有在第一级，并显示经验表明，我们的方法大大提高了两个命题求解器和解除信念传播的近似。
2012-10-16 cs.AI
Generating and Sampling Orbits for Lifted Probabilistic Inference
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
概率推理算法设计中的一个关键目标是识别和利用使推理易于处理的分布特性。提升推理算法将对称性识别为能够实现有效推理的属性，并寻求随概率模型的对称程度而缩放。现有的精确提升推理技术的局限性在于它们不适用于像因子图这样的非关系表示。在这项工作中，我们提供了第一个例子的任意离散因子图的精确提升推理算法。此外，我们描述了一个提升马尔可夫链蒙特卡罗算法，可证明混合迅速的对称程度的分布。
2019-06-30 cs.AI
Online Bayesian Goal Inference for Boundedly-Rational Planning Agents
Massachusetts Institute of Technology（麻省理工学院）
人们通常通过观察他人的行为来推断他们的目标。值得注意的是，即使这些行动导致失败，我们也可以这样做，使我们能够在发现他人可能无法实现目标时帮助他们。我们如何才能赋予机器类似的能力？在这里，我们提出了一个架构，能够推断代理的目标在线从最佳和非最佳的行动序列。我们的架构模型代理有限理性规划者交错搜索与执行重新规划，从而占次优行为。这些模型被指定为概率程序，使我们能够代表和执行有效的贝叶斯推理代理的目标和内部规划过程。为了进行这样的推理，我们开发了顺序逆计划搜索（SIPS），顺序蒙特卡罗算法，利用这些模型的在线重新规划假设，限制计算增量扩展推断的计划，观察到新的行动。我们提出的实验表明，这种建模和推理架构优于贝叶斯逆强化学习基线，准确地从涉及失败和回溯的最佳和非最佳轨迹推断目标，同时在具有组成结构和稀疏奖励的域中进行推广。
2020-10-25 cs.AI
Constraint Processing in Lifted Probabilistic Inference
一阶概率模型将一阶逻辑的表示能力与图形模型相结合。目前正在努力设计一阶概率模型的提升推理算法。我们从约束处理的角度分析提升推理，并通过这个观点，我们分析和比较现有的方法，并揭示其优点和局限性。我们的理论结果表明，错误的约束处理方法的选择会导致计算复杂性的指数增长。我们的实证检验证实了限制加工在提升推理中的重要性。这是第一次对提升推理中的限制加工进行理论和实证研究。
2012-05-09 cs.AI
Bisimulation-based Approximate Lifted Inference
Univ. of Maryland, College Park（马里兰大学学院公园分校）
最近，人们对执行提升推理的方法很感兴趣;然而，大多数工作都假设一阶模型作为系统的输入。在这里，我们描述了提升的推理算法，确定对称性和自动提升的概率模型，以加速推理。特别是，我们描述了近似提升推理技术，允许用户通过使用少数可调参数来权衡推理精度和计算效率，同时保持误差有界。我们的算法是密切相关的图论概念的互模拟。我们报告的合成和真实数据的实验表明，在对称性的存在下，推理的运行时间可以显着改善，与近似解除推理提供数量级的地面推理加速。
2012-05-09 cs.AI
Nonmyopic Distilled Data Association Belief Space Planning Under Budget Constraints
Technion（以色列理工学院）
在感知混淆环境中运行的自主智能体应该能够理想地解决数据关联问题。然而，在考虑这一问题的同时规划未来的行动并不是微不足道的。因此，最先进的方法使用多模态假设来表示代理和环境的状态。然而，明确考虑所有可能的数据关联，假设的数量随着规划范围呈指数增长。因此，相应的置信空间规划问题很快变得不可解。此外，在严格的计算预算约束下，一些不可忽略的假设最终必须在规划和推理中被修剪。然而，这两个进程通常被分开处理，几乎没有研究一个进程的预算限制对另一个进程的影响。我们提出了一个计算效率高的方法来解决非近视的信念空间规划问题，同时推理数据关联。此外，我们严格分析了预算约束的影响，在推理和规划。
2022-07-17 cs.AI
Planning with Abstract Learned Models While Learning Transferable Subtasks
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Carnegie Mellon University（卡内基梅隆大学）；Georgia Institute of Technology（佐治亚理工学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Simmons University（西蒙斯大学）
我们介绍了一种基于模型的分层强化学习算法，以获得自包含的过渡和奖励模型适用于概率规划在多个抽象层次。我们称这个框架为抽象学习模型规划（PALM）。通过使用一种新的形式化结构，即提升抽象马尔可夫决策过程（L-AMDP）来象征性地表示子任务，PALM学习独立和模块化的模型。通过我们的实验，我们展示了PALM如何整合规划和执行，促进快速有效地学习抽象的层次模型。我们还展示了学习模型转移到新的相关任务的潜力。
2020-06-12 cs.AI cs.LG cs.RO
What type of inference is planning?
Google Deepmind（谷歌DeepMind）
本研究针对“规划即推理”领域推理类型不统一的问题，通过变分框架明确规划对应变分问题中熵项的独特权重，提出适配因子化状态MDP的近似规划方法，厘清各类推理的适用场景与优势，并经实验验证有效性。
2025-01-14 cs.AI stat.ML
Active Inference is a Subtype of Variational Inference
Department of Electrical Engineering, Eindhoven University of Technology（埃因霍温理工大学电子工程系）；Lazy Dynamics
本文提出了一种新的消息传递方案，将主动推断与变分推断统一，从而在因子状态MDPs中实现了可扩展的主动推断，克服了高维规划的不可行性。
2025-11-24 cs.AI
Lifted Variable Elimination: Decoupling the Operators from the Constraint Language
KU Leuven（鲁汶大学）
提升概率推理算法利用图形模型结构中的随机性来更有效地执行推理。更具体地说，它们识别可互换的变量组，并对每组执行一次推理，而不是对每个变量执行一次。分组是通过约束来定义的，因此分组的灵活性取决于约束语言的表达能力。现有的精确提升推理方法使用特定的语言（在）等式约束，这通常具有有限的表达能力。在本文中，我们将提升推理与约束语言解耦。我们定义的操作符提升推理的关系代数运算符，使他们的操作语义层面上（的约束扩展），而不是在语法层面上，使他们的语言独立。因此，可以使用更强大的约束语言来执行提升推理，这为提升提供了更多的机会。我们的经验表明，这可以提高推理效率的数量级，允许精确的推理，直到现在只有近似推理是可行的。
2014-02-04 cs.AI
Towards Completely Lifted Search-based Probabilistic Inference
提升概率推理的承诺是在关系概率模型中进行概率推理，而不需要通过将未区分的个体视为一个块来单独推理每个个体（接地表示）。在某些情况下，当前的精确方法仍然需要进行扩展，这通常是因为在提升操作下，中间结果的表示不是封闭的。我们开始回答这样一个问题，即是否有一些根本原因，为什么提升的算法需要淘汰未分化的个体。我们有两个主要结果：（1）我们完整地刻画了在种群规模为多项式的情况下，我们如何在种群规模为对数的时间多项式中进行提升推理。(2)对于无参数和单参数化随机变量的情况下，接地不是多项式的人口规模，我们提出了解除推断，这是多项式的人口规模，而接地是指数。这两种情况都不需要对没有明确提到的个人单独进行推理。
2011-07-21 cs.AI
Extracting Lifted Mutual Exclusion Invariants from Temporal Planning Domains
Royal Holloway University of London（伦敦大学皇家霍洛威学院）；Politecnico di Torino（都灵理工大学）；NASA Ames Research Center（NASA艾姆斯研究中心）
我们提出了一种技术，用于自动提取互斥不变量的时间规划实例。它首先通过检查域的提升表示来识别一组不变模板，然后根据确保不变性的属性检查这些模板。我们的技术建立在文献中提出的其他方法不变的合成，但从他们有限的关注瞬时动作，通过解决时间域。为了处理时间，我们制定了不变性条件，占整个结构的行动和可能的并发之间的相互作用。因此，我们构建了一个显着更全面的技术比以前的方法，这是能够找到不仅是时间域的不变量，但也是一个更广泛的一组不变量的非时间域。本文中报道的实验结果提供了证据表明，确定一个更广泛的不变量集的结果在生成更少的多值状态变量与更大的域。我们表明，反过来，这种减少的变量的数量反映了积极的性能上的一些时间规划，使用变量/值表示显着减少他们的运行时间。
2017-02-07 cs.AI
Domain Recursion for Lifted Inference with Existential Quantifiers
University of British Columbia（不列颠哥伦比亚大学）；KU Leuven（鲁汶大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
在最近的工作中，我们证明了域递归推理规则使域提升推理在几个关系概率模型（RPM）上成为可能，其中最著名的时间复杂度曾经是指数的。我们还确定了两类RPM的推理成为域提升时，使用域递归。这两个类是以前已知的最大的提升类。在本文中，我们表明，域递归也可以应用于存在量词的模型。目前，所有的提升推理算法都假设存在量词已经在Skolemization的预处理中被删除。我们发现，除了引入潜在的不方便的负权重，Skolemization可能会增加推理的时间复杂度。我们给出了两个例子模型，域递归可以取代Skolemization，避免了处理负数的需要，并降低了推理的时间复杂度。这两个例子可能是有趣的从三个理论方面：1-他们提供了一个更好的和更深入的理解域递归，一般来说，（提升）推理，2-他们可以作为证据，有更大的类的模型，域递归可以令人满意地取代Skolemization，和3-他们可以作为证据，更好的Skolemization技术存在。
2017-07-27 cs.AI
Lifted Inference for Relational Continuous Models
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Rutgers, The State University of New Jersey（罗格斯大学（新泽西州立大学））
当属性具有连续域时，关系连续模型（RCM）表示对象属性上的联合概率密度。通过关系表示，它们可以以自然的方式对大量变量的联合概率分布进行建模。本文提出了一种新的精确提升推理算法的RCM，因此，它的规模扩大到大型模型的现实世界的应用。该算法适用于关系成对模型，这些模型是2元势的（关系）乘积。我们的算法在两个方面是独一无二的。首先，它大大提高了连续域变量提升推理的效率。当关系模型具有高斯势时，与先前方法的立方时间相比，它只需要线性时间。第二，它是第一个以提升的方式处理RCM的精确推理算法。该算法是说明了一个例子，从计量经济学。实验结果表明，我们的算法优于地面推理算法和算法建立与以前已知的提升方法。
2012-03-15 cs.AI
Lower Complexity Bounds for Lifted Inference
Aalborg University（奥尔堡大学）
在概率关系（或概率逻辑）建模和学习框架的发展中，最大的挑战之一是设计推理技术，这些推理技术在抽象模型表示语言的层面上操作，而不是在模型的基础、命题实例的层面上操作。已经提出了用于这种“提升推理”技术的许多方法。虽然已经证明，这些技术将导致显着更有效的推理在一些特定的模型，只有最近的，仍然相当有限的结果，表明提升推理的可行性，在某些语法定义类的模型。较低的复杂性界限意味着对更具表达力的模型类的提升推理的可行性的一些限制，这是在早期建立的（Jaeger 2000）。然而，这些结果并不立即适用于目前受到最多关注的建模语言类型，即，加权的无量词公式。在本文中，我们扩展了这些早期的结果，并表明，在假设NETIME =/= ETIME，有没有多项式提升推理算法的知识库的加权，量词和功能的自由公式。进一步加强早期的结果，这也被证明是举行近似推理，知识库不包含的平等谓词。
2013-05-02 cs.AI
On the Complexity and Approximation of Binary Evidence in Lifted Inference
University of California, Los Angeles（加州大学洛杉矶分校）
提升推理算法利用概率模型中的对称性来加速推理。它们在计算关系模型中的无条件概率时表现出令人印象深刻的性能，但在计算条件概率时经常采用非提升推理。原因是，对证据的条件化破坏了模型的许多对称性，这可能会抢占标准提升技术。最近的理论结果表明，例如，条件的证据，对应于二元关系是P-硬，这表明没有提升是预期在最坏的情况下。在本文中，我们平衡这个负面的结果，通过确定布尔等级的证据作为一个关键参数，用于表征的复杂性条件提升推理。特别是，我们表明，条件与有界布尔秩的二元证据是有效的。这开辟了一个低秩布尔矩阵分解，我们从理论和经验上研究近似证据的可能性。
2013-11-26 cs.AI
Why is Compiling Lifted Inference into a Low-Level Language so Effective?
The University of British Columbia（不列颠哥伦比亚大学）
一阶知识编译技术已被证明是有效的提升推理。他们将一个关系概率模型编译成一个目标电路，在这个目标电路上可以有效地回答许多推理查询。早期的方法使用数据结构作为其目标电路。在我们的KR-2016论文中，我们展示了编译到低级程序而不是数据结构提供了数量级的加速，从而产生了最先进的提升推理技术。在本文中，我们进行实验来解决关于我们的KR-2016结果的两个问题：1-加速来自更有效的编译还是更有效的目标电路推理？以及2-为什么低级程序比数据结构对目标电路更有效？
2016-06-14 cs.AI
Lifted Marginal MAP Inference
IIT Delhi（德里印度理工学院）；UT Dallas（德克萨斯大学达拉斯分校）
提升推理通过识别相互对称的常数（或原子）组来降低关系概率模型中推理的复杂性。在文献中已经提出了许多技术，用于提升边际以及MAP推理。我们提出的第一个应用程序的边缘MAP（MMAP），一个重要的推理问题的模型具有潜在的（随机）变量的提升规则。我们的主要贡献是两个方面：（1）我们定义了一个新的等价类（逻辑）变量，称为单次出现的最大值（SOM），并表明解决方案在于极端的SOM变量，即，（2）我们定义了一个子类{ \em}（SOMReduce），并利用极值赋值的性质来证明可以通过将SOM-R变量的域减少到单个常数来执行MMAP推理。结合现有的规则，如分解器和二项式，这导致了一个强大的框架提升MMAP。在三个基准域上的实验表明，与地面推理以及不使用SOM-R的提升方法相比，在时间和内存方面都有显着的增益。
2018-07-08 cs.AI
First-Order Decomposition Trees
KU Leuven（鲁汶大学）
提升试图通过利用模型中的对称性来加速概率推理。精确提升的推理方法，就像它们的命题对应物一样，通过递归地分解模型和问题来工作。在命题的情况下，存在形式结构，如分解树（dtree），表示这样的分解，并允许我们确定推理的复杂性先验。然而，目前没有等效的结构，也没有类似的复杂性结果提升推理。在本文中，我们引入了FO-dtree，它将命题dtree提升到一阶水平。我们展示了这些树可以描述一个概率逻辑模型的提升推理解决方案（在提升操作序列方面），并对提升推理的复杂性进行了理论分析，提出了树的提升宽度的新概念。
2013-06-04 cs.AI
Colour Passing Revisited: Lifted Model Construction with Commutative Factors
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心 (DFKI)）
针对现有colour passing算法依赖特定推理算法、忽略因子交换性的问题，提出改进算法，用逻辑变量构建独立于推理算法的提升表示并在离线步骤利用因子交换性，能检测更多对称性、提升压缩率并加快在线查询速度。
2023-12-15 cs.AI
On the Completeness and Complexity of the Lifted Dynamic Junction Tree Algorithm
University of Hamburg（汉堡大学）
本文首次对时序提升推理算法LDJT进行了完备性与复杂度分析，证明其时间推进中的消元顺序限制会影响域可提升性，并发现其提升宽度在更多情况下小于静态推理的树宽。
2024-05-31 cs.AI
Lifted Probabilistic Inference for Asymmetric Graphical Models
KU Leuven（鲁汶大学）；University of Washington, Seattle（西雅图华盛顿大学）
提升概率推理算法已经成功地应用于大量的对称图模型。不幸的是，大多数真实世界的图形模型是不对称的。当给出证据时，关系表示也是如此。因此，社区中最近的工作转向使模型对称，然后应用现有的提升推理算法。然而，这种方法有两个缺点。首先，所有现有的过对称近似都需要一个关系表示，如马尔可夫逻辑网络。其次，诱导的对称性通常会显著改变分布，使计算的概率高度偏差。我们提出了一个框架，概率抽样为基础的推理，只使用诱导的近似对称性，提出步骤的大都会黑斯廷斯风格的马尔可夫链。因此，该框架导致改进的概率估计，同时保持无偏。实验表明，该方法优于现有的MCMC算法。
2014-12-01 cs.AI
Lifted Region-Based Belief Propagation
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Indian Institute of Technology, Delhi（印度理工学院德里分校）
由于精确提升推理的难处理性，最近的研究集中在发现统计关系模型（SRM）中的精确且有效的近似推理算法，例如提升一阶置信传播。FOBP通过识别和提升冗余的消息计算来模拟命题因子图的信念传播，而无需构建基础因子图。在这项工作中，我们提出了一个广义的FOBP称为提升广义信念传播，其中区域结构和消息结构都可以解除。这种方法允许更多的推断在区域内执行（在BP的精确推断步骤中），从而允许在具有更大区域范围和更少边缘的图结构上模拟传播，同时仍然保持易处理性。我们证明了所得到的算法收敛在更少的迭代次数更准确的结果在各种SRM。
2016-06-30 cs.AI
Automorphism Groups of Graphical Models and Lifted Variational Inference
Nuance Communications（纽昂斯通讯公司）；SRI International（斯坦福国际研究院）；University College London（伦敦大学学院）
利用群作用理论，我们首先引入了指数族或图模型的自同构群的概念，从而形式化了概率模型的对称性的一般概念。这个自同构群为一般指数族中的提升推理提供了一个精确的数学框架。它的群作用将随机变量和特征函数的集合划分为具有相同边缘和期望的等价类（称为轨道）。然后，推理问题被有效地简化为计算每个类的边际或期望，从而避免了处理每个单独变量或特征的需要。我们证明了这个一般框架的有用性，在提升两类变分近似的最大后验（MAP）推理：局部线性规划（LP）松弛和局部LP松弛与循环约束;后者产生的第一个提升变分推理算法，操作上的约束比局部约束更紧。
2013-09-26 cs.AI
Goal-Directed Planning by Reinforcement Learning and Active Inference
Okinawa Institute of Science and Technology（冲绳科学技术大学院大学）
目标导向的行为和习惯性行为有什么区别？我们提出了一个新的计算框架的决策与贝叶斯推理，其中一切都集成为一个完整的神经网络模型。该模型通过自我探索和通过采样随机内部状态${z}$产生运动动作来学习预测环境状态转换。通过强化学习，从${z}$的先验分布中获得习惯行为。目标导向的行为是通过规划从后验分布的${z}$，使用主动推理，优化过去，当前和未来的${z}$，通过最小化的变化自由能所需的未来观测约束所观察到的感觉序列。我们通过实验证明了所提出的框架的有效性，在感觉运动导航任务与相机的观察和连续的电机动作。
2021-06-22 cs.AI cs.LG cs.RO
Safe Learning of Lifted Action Models
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Palo Alto Research Center（帕洛阿尔托研究中心）；Ben Gurion University of the Negev（内盖夫本古里安大学）
创建一个领域模型，即使是对于经典的、独立于领域的规划，也是一个非常困难的知识工程任务。解决这个问题的自然方法是从观察中学习领域模型。然而，模型学习方法通常不提供安全保证：学习的模型可能会假设动作是适用的，而实际上它们并不适用，并且可能会错误地捕捉动作的效果。这可能导致生成在执行时失败的计划。在某些领域，由于失败的成本或失败后无法在线重新计划，这种失败是不可接受的。在这样的设置中，所有的学习都必须基于收集的一些观察来离线完成，例如，被其他特工或人类杀死通过这种学习，任务是生成一个保证成功的计划。这就是所谓的无模型规划问题。先前的工作提出了一种算法来解决经典规划中的无模型规划问题。然而，他们仅限于学习基础领域，因此无法扩展。我们推广了这项工作，并提出了第一个安全的无模型规划算法提升域。我们证明了我们的方法的正确性，并提供了一个统计分析表明，需要解决未来的问题，高概率的轨迹的数量是线性的潜在大小的领域模型。我们还提出了12 IPC域上的实验表明，我们的方法是能够学习真正的动作模型在所有情况下，最多两个轨迹。
2021-07-09 cs.AI
On Solving a Stochastic Shortest-Path Markov Decision Process as Probabilistic Inference
Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
以前的工作规划作为积极的推理解决有限的地平线问题和解决方案有效的在线规划。我们建议解决一般的随机最短路径马尔可夫决策过程（SSP MDP）的概率推理。此外，我们还讨论了在线和离线的不确定性下的规划方法。在SSP MDP中，视界是不确定的并且先验未知。SSP MDP概括了有限和无限水平MDP，并广泛用于人工智能社区。此外，我们强调了一些使用动态规划方法广泛用于人工智能社区和主动推理社区中使用的方法来解决MDP之间的差异。
2021-09-13 cs.AI cs.LG
Beyond Value: CHECKLIST for Testing Inferences in Planning-Based RL
Oregon State University（俄勒冈州立大学）
强化学习（RL）代理通常通过其在测试场景分布上的期望值来评估。不幸的是，这种评估方法提供了有限的证据，部署后的泛化超出了测试分布。在本文中，我们解决了这个限制，最近的CheckList测试方法从自然语言处理，以规划为基础的RL。具体来说，我们考虑测试RL代理，使决策通过在线树搜索使用学习的过渡模型和价值函数。其关键思想是通过CheckList方法来提高对未来性能的评估，以在树搜索过程中探索和评估代理的推理。该方法为用户提供了一个接口和通用的查询规则机制，用于识别潜在的推理缺陷和验证预期的推理不变性。我们提出了一个用户研究，涉及知识渊博的人工智能研究人员使用的方法来评估一个代理训练玩一个复杂的实时战略游戏。结果表明，该方法是有效的，允许用户识别以前未知的缺陷代理的推理。此外，我们的分析还提供了AI专家如何使用这种测试方法的见解，这可能有助于改善未来的实例化。
2022-06-07 cs.AI cs.LG
Differentiable Learning of Lifted Action Schemas for Classical Planning
RWTH Aachen University（亚琛工业大学）
提出一种神经网络架构，从完全可观测状态但动作参数未观测的轨迹中学习提升动作模式，实现近乎完美的结构恢复。
2026-11-11 cs.AI cs.LG
Fusing First-order Knowledge Compilation and the Lifted Junction Tree Algorithm
University of Lübeck（吕贝克大学）
一阶结构的概率形式化推理的标准方法包括单次查询的提升变量消除（LVE）以及基于加权模型计数的一阶知识编译（FOKC）。为了有效地处理多个查询，提升连接树算法（LJT）使用模型的一阶聚类表示和LVE作为其计算中的子例程。对于某些输入，LVE的实现，以及因此LJT接地模型的FOKC具有提升运行的部分。本文的目的是准备LJT作为提升推理的骨干，并使用任何精确的推理算法作为子程序。在LJT中使用FOKC可以让我们在某些输入下比LJT、LVE和FOKC更快地计算答案。
2018-07-02 cs.AI
Dynamic planning in hierarchical active inference
Institute of Cognitive Sciences and Technologies（认知科学与技术研究所）；National Research Council of Italy（意大利国家研究委员会）；Sapienza University of Rome（罗马大学）
本文探讨主动推断中的动态规划，提出基于可供性利用和分层交互的分层混合表示方法，为复杂任务（如工具使用）建模提供了新方向。
2024-11-12 cs.AI cs.LG cs.RO
Bayesian Active Inference for Intelligent UAV Anti-Jamming and Adaptive Trajectory Planning
University of Genoa（热那亚大学）；Italian National Inter-University Consortium for Telecommunications (CNIT)（意大利国家大学电信联合体（CNIT））
本文提出基于贝叶斯主动推断的无人机抗干扰与自适应轨迹规划方法，通过结合专家示范与概率生成模型，实现高层规划与底层策略的协同，有效减少干扰并提升任务效率。
2025-12-05 cs.AI cs.RO cs.SY
Inference in Probabilistic Logic Programs using Lifted Explanations
Stony Brook University（石溪大学）
在本文中，我们考虑的问题，提升推理的背景下，棱镜一样的概率逻辑程序设计语言。在这种语言中，传统的推理涉及为查询构造解释图并计算该图上的概率。当对具有大量随机变量实例的概率逻辑程序的查询进行评估时，传统方法单独对待每个实例。对于许多程序和查询，我们观察到，解释可以总结成更紧凑的结构，我们称之为解除解释图。在本文中，我们定义了提升解释图及其上的操作。与现有的提升推理技术相比，我们的方法，用于构建提升的解释自然地概括了现有的方法，用于构建解释图。为了计算查询答案的概率，我们解决了从提升图生成的递归。我们展示的例子中，我们的技术的使用降低了推理的渐近复杂性。
2016-08-20 cs.AI cs.LO
Lifted Variable Elimination: A Novel Operator and Completeness Results
KU Leuven（鲁汶大学）
人们已经提出了各种提升概率推理的方法，但与它们的命题对应物相比，我们对这些方法及其之间关系的理解仍然有限。提升的唯一现有的理论表征是加权一阶模型计数（WFOMC），这被证明是完整的域提升类的2-logvar模型。本文对提升变量消去法（LVE）做了两个贡献。首先，我们引入了一种新的推理算子，称为群反演。其次，我们证明了LVE增广与此操作是完全的WFOMC在相同的意义。
2012-08-24 cs.AI
Hierarchical Active Inference using Successor Representations
Paul G. Allen Center for Computer Science and Engineering, University of Washington（保罗·G·阿伦计算机科学与工程中心，华盛顿大学）
本文提出基于分层主动推断的行动规划模型，结合环境层次模型与成功表示实现高效规划，展示了如何通过低层表示学习高层抽象状态，并在多个规划和强化学习任务中验证了方法有效性。
2026-04-17 cs.AI cs.CV cs.LG
Exact Inference for Relational Graphical Models with Interpreted Functions: Lifted Probabilistic Inference Modulo Theories
Artificial Intelligence Center（人工智能中心）；SRI International（斯坦福国际研究院）
概率推理模理论（ProbabilityInference Modulo Theories，PIMT）是一个最近的框架，它扩展了图形模型的精确推理，使用更丰富的语言，包括整数和实数的算术，等式和不等式。在本文中，我们扩展PIMT的提升版本，也处理随机函数和关系。这种增强是通过适应反演，从提升一阶概率推理文献的方法，也是模理论。这导致第一个算法的准确概率推理，有效地，同时利用随机关系和功能，算术，等式和不等式。
2017-09-04 cs.AI cs.SC
Extended Lifted Inference with Joint Formulas
Ben-Gurion University of The Negev（内盖夫本-古里安大学）
一阶变量消除（FOVE）算法允许将精确推理直接应用于概率关系模型，并且已被证明大大优于在接地命题模型上应用标准推理方法。尽管如此，FOVE算子可以在限制条件下应用，通常迫使人们诉诸命题推理。本文旨在通过提供两个新的模型转换算子来扩展FOVE的适用性：第一个和主要的是联合公式转换和第二个是不同的计数转换。这些新的操作允许有效的推理方法被直接应用于关系模型，其中迄今为止没有现有的有效方法可以应用。此外，这些功能的帮助下，我们展示了如何适应FOVE提供精确的解决方案，最大预期效用（MEU）查询关系模型的不确定性下的决定。实验评估表明，我们的算法，以提供显着的加速比的替代品。
2012-02-14 cs.AI
Lifted Filtering via Exchangeable Decomposition
Institute of Computer Science, University of Rostock（罗斯托克大学计算机科学研究所）；Computer Science Department and Centre for Cognitive Science, TU Darmstadt（达姆施塔特工业大学计算机科学系与认知科学中心）
提出了一种基于提升多集状态的精确递归贝叶斯滤波模型。与基于列表的接地状态表示相比，将多集与提升相结合可以同时利用多种策略来降低推理复杂度。其核心思想是借用最大并行多集重写系统的概念，并通过Rao-Blackwellization和Lifted Inference的概念对其进行增强，给出一种能够实现有效推理的状态分布表示。在定义系统状态的随机变量是可交换的世界中，实体的身份并不重要，它自动使用一种从排序中抽象出来的表示（实现复杂性的指数级降低），当观测或系统动力学通过破坏对称性破坏交换性时，它会自动适应。
2018-05-07 cs.AI
Hierarchical Agentic Incident Response with Digital-Twin-Validated Attack Inference
City University of Hong Kong（香港城市大学）；Fordham University（福特汉姆大学）
该研究针对网络事件响应效率低的问题，提出整合LLM攻击推理、滚动规划与数字孪生验证的分层智能体响应框架，在33组件企业网络测试台的多阶段攻击场景中，其恢复成功率较前沿LLM基线提升18%-31%。
2026-08-18 cs.AI cs.CR
Lifted Causal Inference
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
提出参数化因果因子图（PCFG）和提升因果推断（LCI）算法，在关系域中高效计算因果效应，显著加速推理。
2026-06-29 cs.AI cs.LG
Two Constraint Compilation Methods for Lifted Planning
Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）；University of Brescia（布雷西亚大学）
本文提出两种无需地面化的约束编译方法，用于提升大规模规划问题的效率和规范简洁性。
2026-02-20 cs.AI cs.SC
Lifted Relational Probabilistic Inference via Implicit Learning
Washington University in St. Louis（华盛顿大学）
本文提出了一种基于隐式学习的方法，实现第一-order概率逻辑的隐式学习和提升推断，解决了传统方法在模型构建上的局限性。
2026-02-16 cs.AI
Sequential Lifted Bayesian Filtering in Multiset Rewriting Systems
Mobile Multimedia Information Systems Group, Institute of Computer Science（计算机科学研究所移动多媒体信息系统组）；University of Rostock（罗斯托克大学）
用于计划和活动识别的贝叶斯过滤对于包含许多观测等效实体（即产生相同观测的实体）的场景具有挑战性。这是由于需要跟踪的假设数量的组合爆炸。然而，这类问题表现出一定的对称性，可以利用状态空间表示和推理。我们分析了当前最先进的方法，发现它们都不完全符合这个问题类中出现的要求。我们勾画了一个新的推理算法，提供了一个解决方案，结合提升推理算法，概率多集重写系统，计算状态空间模型的概念。两个实验证实，这种新的算法有可能对这类问题进行有效的概率推理。
2017-08-14 cs.AI
When both Grounding and not Grounding are Bad -- A Partially Grounded Encoding of Planning into SAT (Extended Version)
本文提出一种部分 grounding 的 SAT 编码，在保持动作 lifted 的同时部分 grounding 预言，实现线性规模的规划效率，优于现有方法。
2026-03-19 cs.AI cs.LO cs.SC
Lifted Convex Quadratic Programming
TU Dortmund University（多特蒙德工业大学）
对称性是提升推理的基本要素，最近已经证明了在高度连接但对称的概率模型中执行非常有效的推理的可能性。这就提出了一个问题，这是否适用于一般的优化问题。在这里，我们表明，对于一大类优化方法，这实际上是这种情况。更确切地说，我们引入了凸二次规划（QP）的分数对称性的概念，这是许多机器学习方法的核心，并利用它来提升，即，来压缩QP。这些提升的QP然后可以用通常的优化工具箱（现成的求解器、切割平面算法、随机梯度等）来处理。如果原始QP表现出对称性，则提升的QP通常将更紧凑，因此它们的优化可能更有效。
2016-06-14 cs.AI
Lifted Tree-Reweighted Variational Inference
Nuance Communications（Nuance通信公司）；John von Neumann Institute（冯·诺依曼研究所）；Vietnam National University（越南国家大学）；Courant Institute of Mathematical Sciences（库朗数学科学研究所）；New York University（纽约大学）
我们分析高度对称的图形模型，如一阶概率模型所产生的变分推理。我们首先表明，对于这些图形模型，树重新加权变分目标本身的一个紧凑的解除制定，可以更有效地解决比标准的TRW制定地面图形模型。与早期关于提升置信传播的工作相比，我们的公式导致了提升边缘推理的凸优化问题，并提供了分区函数的上界。我们提供了两种方法来提高解除TRW上限。第一个是一种方法，用于有效地计算最大生成树的高度对称图，它可以用来优化TRW边的出现概率。第二个是一种方法，用于收紧放松的边缘多面体使用提升循环不等式和新的可交换的集群一致性约束。
2014-06-19 cs.AI stat.ML
Lifted Inference in 2-Variable Markov Logic Networks with Function and Cardinality Constraints Using Discrete Fourier Transform
Czech Technical University in Prague（布拉格捷克技术大学）
在本文中，我们证明了在2-变量马尔可夫逻辑网络（MLNs）的基数和功能的约束下的推理是域提升的。为了获得这一结果，我们使用现有的域提升算法进行加权一阶模型计数（Van den Broeck等人，KR 2014），并对与MLN相关的某些分布进行离散傅立叶变换。
2020-07-16 cs.AI cs.LO
Active Inference for Energy Control and Planning in Smart Buildings and Communities
Politecnico di Milano（米兰理工大学）
针对主动推理在工程应用潜力待挖掘的问题，本文提出双层主动推理架构实现建筑与社区级能源管理，经多基准和极端场景验证具强鲁棒性，首次证实分布式主动推理的工程可行性。
2025-03-23 cs.AI cs.LG math.OC
Exploring Unknown Universes in Probabilistic Relational Models
Institute of Information Systems, University of Lübeck（吕贝克大学信息系统研究所）
大型概率模型通常由一组已知的个体（一个宇宙）和它们之间的关系形成。提升推理算法处理已知个体的集合以进行易处理的推理。然而，宇宙可能并不总是已知的，或者只能通过诸如“小宇宙更有可能”的假设来描述。如果没有一个宇宙，推理不再可能提升算法，失去了他们的优势，易于处理的推理。本文的目的是定义一个语义的模型与未知的宇宙从一个特定的约束语言解耦，使解除，从而，听话的推理。
2020-01-07 cs.AI
Lifted Causal Inference in Relational Domains
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；singularIT GmbH（singularIT有限公司）；University of Münster（明斯特大学）；University of Lübeck（吕贝克大学）
本文提出参数化因果因子图与提升因果推断算法，在关系域中利用对称性高效计算因果效应，显著加速推断并保持精确性。
2024-03-15 cs.AI cs.DS
