Learning Latent Beliefs and Performing Epistemic Reasoning for Efficient and Meaningful Dialog Management
TCS Innovation Labs, Tata Consultancy Services Limited(塔塔咨询服务有限公司TCS创新实验室)
许多对话管理框架允许系统设计者直接定义信任规则来实现有效的对话策略。因为这些规则是直接定义的,所以这些组件被称为手工制作的。随着对话变得越来越复杂,状态、转换和政策决策的数量变得非常大。为了促进对话策略的设计过程中,我们提出了一种方法来自动学习信念规则使用监督机器学习方法。我们验证我们的想法在学生顾问对话域,在那里我们提取潜在的信念,如学生是好奇的,困惑和中立的,等等。此外,我们还进行认知推理,有助于根据学生的情绪状态定制对话,从而提高对话系统的整体效率。我们的潜在信念识别方法显示出87%的准确性,这导致有效和有意义的对话管理。
2019-05-21 cs.AI cs.CL
CoreSense: Traceable Failure Recall and Conflict-Aware Belief Gating for Auditable Robot Decisions
CoreSense通过冲突感知信念门控和可追溯证据,将机器人不安全继续操作率降至0%,实现可审计的故障回忆决策。
2026-09-18 cs.AI cs.RO
A Belief Model for Conflicting and Uncertain Evidence -- Connecting Dempster-Shafer Theory and the Topology of Evidence
Institute for Logic, Language and Computation, University of Amsterdam(阿姆斯特丹大学逻辑、语言与计算研究所)
本文结合 Dempster-Shafer 理论与证据拓扑模型,提出可处理冲突、不完整和不确定证据的广义信念计算框架,并证明其计算通常为 #P-complete。
2023-06-06 cs.AI cs.MA
An Interpretation of Belief Functions by means of a Probabilistic Multi-modal Logic
ENSTA Bretagne(布列塔尼国立高等先进技术学院)
虽然信度函数可以被正式地看作是概率分布的推广,但信度函数和概率之间的相互作用问题在实践中仍然是一个问题。这个问题是困难的,因为这些理论的使用背景明显不同,这些理论背后的语义并不完全相同。一个日益受到社会关注的突出问题,就是对冲突信息的管理。最近的作品介绍了新的规则,处理冲突的重新分配,同时结合信念功能。冲突的概念,或其取消开放世界的假设,似乎本身就阻止了直接解释的信念函数的概率框架。本文讨论的问题的概率解释的信念功能。它首先介绍并实现了一个理论上的接地规则,这在本质上是一个自适应合取规则。它示出,如何从逻辑解释的置信函数的概率多模态逻辑,这一规则是来自;此外,引入了一个概念的源独立性,基于熵最大化的原则。
2011-09-29 cs.AI cs.LO math.LO
General combination rules for qualitative and quantitative beliefs
ENSIETA(法国国立高等工程技术学院(布雷斯特));ONERA(法国航空航天实验室);University of New Mexico(新墨西哥大学)
Martin和Osswald \cite{Martin07}最近提出了许多关于定量信念的组合规则的推广,以管理冲突并考虑专家响应的特异性。由于专家们通常用带有语言标签的自然语言来表达自己,Smarandache和Dezert \cite{Li07}引入了一个数学框架来直接处理定性信念。在本文中,我们回顾了我们以前的作品的一些元素,并提出了新的组合规则,开发的定性或定量的信念融合。
2009-06-28 cs.AI
Adaptative combination rule and proportional conflict redistribution rule for information fusion
本文提出了两个新的有前途的组合规则的不确定性和潜在的高度冲突的证据源的融合的信念函数理论的框架内,以减轻众所周知的局限性Dempster的规则和工作超出了Dempster-Shafer理论的适用范围。我们提出了一类新的自适应组合规则(ACR)和一个新的高效的比例冲突重新分配(PCR)规则,允许处理高度冲突的静态和动态融合应用程序的源。
2006-04-11 cs.AI
When Should Models Change Their Minds? Contextual Belief Management in Large Language Models
Zhejiang University(浙江大学);HomologyAI
提出上下文信念管理(CBM)框架,通过引入BeliefTrack基准和信念状态奖励的强化学习,将大语言模型在长程交互中的信念更新失败率平均降低70.9%。
2026-09-01 cs.AI cs.CL cs.LG
Comparative Uncertainty, Belief Functions and Accepted Beliefs
Institut de Recherche en Informatique de Toulouse(图卢兹计算机科学研究所);Universite Paul Sabatier(保罗·萨巴蒂尔大学)
本文涉及比较信念结构和信念管理的一般看法,在设定的演绎封闭逻辑表示接受的信念。我们发现,经典的演绎封闭和不确定推理之间的兼容性范围涵盖了精确的非单调的“优惠”推理系统的克劳斯,莱曼和Magidor,没有别的。在不确定性推理中,任何可能性或必然性测度都会产生一个被接受的信念结构。产生信念集的概率函数类和Shafer的信念函数类证明是非常特殊的一类。
2013-01-30 cs.AI
Integrated Conflict Management for UAM with Strategic Demand Capacity Balancing and Learning-based Tactical Deconfliction
George Washington University(乔治华盛顿大学);Airbus UTM(空客UTM);Acubed(Acubed(空客创新中心));Airbus(空中客车公司);MIT Lincoln Laboratory(麻省理工学院林肯实验室)
提出结合需求容量平衡与强化学习的UAM集成冲突管理框架,通过战略预处理控制交通密度,提升战术冲突解脱性能,在保障目标安全水平的同时实现更高运营效率。
2023-05-17 cs.AI
Addressing Design Issues in Medical Expert System for Low Back Pain Management: Knowledge Representation, Inference Mechanism, and Conflict Resolution Using Bayesian Network
University of Kalyani(卡里亚尼大学);Banaras Hindu University(贝拿勒斯印度大学);ESI Institute of Pain Management(ESI疼痛管理研究所)
针对下腰痛管理专家系统的开发,提出了一种基于框架数据结构的高效知识表示方案,并通过贝叶斯网络推导出可靠的推理逻辑。当患者来到预期的专家系统进行诊断时,所提出的推理机以排序的顺序输出多个可能的疾病,其中每个疾病与数字测量相关联以指示其发生的可能性。当列表中的两种或两种以上疾病具有相同或更接近的发生可能性时,贝叶斯网络用于冲突解决。所提出的方案已被验证的情况下,经验选择的30例患者。考虑到预期值0.75作为接受水平,所提出的系统提供的诊断推理的标准偏差为0.029。卡方检验的计算值为11.08,12个自由度,这意味着所设计系统的推导结果符合预期结果的均匀性。在对选定的腰痛患者进行任何临床研究之前,拟议系统已实现73.89%的准确度水平(平均),这非常接近预期的临床准确度水平75%。
2019-09-09 cs.AI
Experiments Using Belief Functions and Weights of Evidence incorporating Statistical Data and Expert Opinions
University of Guelph(圭尔夫大学)
本文提出了一些想法和结果,使用不确定性管理方法在数据的存在,优先于其他统计和机器学习方法。一个医疗领域被用作一个测试平台,其数据来自一个大型医院数据库系统,该系统收集有关患者的症状和结果信息。数据经常缺失,涉及许多变量类型,特定结果的样本量不大。不确定性管理方法对于这些领域是有用的,并且具有允许专家修改最初从数据获得的置信值的附加优点。使用置信函数的统计数据的方法考虑处理的一些细节。专家意见被纳入项目开发的各个层面,并报告了肝病诊断应用的结果。最近的结果对比使用的证据权重和逻辑回归在另一个医疗领域。
2013-03-27 cs.AI
Experts Fusion and Multilayer Perceptron Based on Belief Learning for Sonar Image Classification
ENSIETA(法国布雷斯特国立工程师学校)
声纳图像提供了一个快速的海底视图,以表征它。然而,在这样的不确定环境中,真正的海底是未知的,我们可以获得的唯一信息,是不同的人类专家的解释,有时会发生冲突。在本文中,我们建议管理这种冲突,以提供一个强大的现实的学习步骤的分类算法。分类是由一个多层感知器,考虑到在学习阶段的现实的不确定性。这一海底特征的结果在真实的声纳图像上呈现。
2008-06-12 cs.AI cs.CV
Monitoring Hybrid Process Specifications with Conflict Management: The Automata-theoretic Approach
University of Tartu(塔尔图大学);Free University of Bozen-Bolzano(博尔扎诺-博岑自由大学);Sapienza University of Rome(罗马大学)
到目前为止,业务流程监控方法主要集中在监控流程相对于单个流程模型的执行。然而,在某些情况下,有必要同时考虑多个过程规范。此外,这些规范可以是过程性的、声明性的或两者的组合。例如,在医学领域,描述特定疾病治疗的临床指南不能说明特定患者可能共存的所有可能的辅因子,因此可能需要考虑其他限制。在某些情况下,这些约束可能与临床指南不兼容,因此需要违反指南或约束。在本文中,我们提出了一个解决方案,用于监测的混合过程中的规范表示为(数据感知)Petri网和时序逻辑规则的组合的相互作用。在流程执行期间,如果这些规范相互冲突,则可能违反其中的一些规范。监控系统配备有违规成本模型,根据该模型,系统可以以避免可能的违规或最小化违规总成本的方式推荐下一个行动过程。
2021-11-25 cs.AI
A belief combination rule for a large number of sources
Northwestern Polytechnical University(西北工业大学);University of Rennes 1(雷恩第一大学)
信度函数理论被广泛用于多源数据。在该框架中,根据证据源的属性提出了不同的证据合成规则。然而,当有大量的源时,这些组合规则中的大多数是不有效的。这是由于复杂性或存在的吸收元素,如总冲突质量函数的合取为基础的规则时,适用于不可靠的证据。在本文中,基于大多数源是可靠的假设,大量的源的组合规则,提出了使用一个简单的想法:源共享的共同的想法越多,这些源被认为是越可靠的。该规则适用于聚合可能不都是可靠的大量源。它将保持合取规则的精神,以加强对来源一致的焦点元素的信念。空集上的质量将被保留作为冲突的指示器。建议的规则,称为LNS-CR(合取组合规则的大量来源),综合质量函数进行评估。实验结果表明,该规则可以有效地用于组合大量的质量函数,并得出主要的意见。
2018-09-28 cs.AI
Generalization of Dempster-Shafer theory: A complex belief function
Southwest University(西南大学)
证据理论由于其在不需要先验信息的情况下对不确定性建模的灵活性和有效性,在各个领域得到了广泛的应用。然而,现有的证据理论是不足以考虑的情况下,它没有能力表达的数据在其执行过程中的给定阶段的时间的波动,以及不可避免地涉及到数据的不确定性和不精确性,同时发生的变化的阶段或周期性的数据。因此,本文提出了一种推广的Dempster-Shafer证据理论。具体地说,广义Dempster-Shafer证据理论中的质量函数是用复数来表示的,称为复基本信念赋值,它具有更强的表达不确定信息的能力。在此基础上,开发了一种广义Dempster组合规则。与经典的Dempster合成规则相比,广义的Dempster合成规则取消了证据间冲突系数K<1的条件。因此,它比经典的Dempster组合规则更具有一般性和适用性。当复质量函数从复数退化为实数时,在证据间冲突系数K小于1的条件下,广义Dempster合成规则退化为经典证据理论。总之,这种推广的Dempster-Shafer证据理论为建模和处理更多的不确定信息提供了一种很有前途的方法。
2019-06-27 cs.AI
OSCToM: RL-Guided Adversarial Generation for High-Order Theory of Mind
Department of Computer Science(计算机科学系);BRAC University(布拉克大学)
本文提出OSCToM,一种结合强化学习、领域特定语言和组合替代模型的方法,用于建模LLM中的嵌套信念冲突,通过生成观察者-自我冲突来提升复杂社会场景下的理论之心推理能力。
2026-05-19 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
Multi-sensor data fusion based on a generalised belief divergence measure
Southwest University(西南大学)
多传感器数据融合技术在实际应用中发挥着重要作用。由于证据理论在建模和处理不确定信息时不考虑先验概率的灵活性和有效性,因此在信息融合的各个领域得到了广泛的应用。然而,当融合高度冲突的证据时,可能会出现违反直觉的结果。为了解决这一问题,提出了一种基于广义信度测度的多传感器数据融合方法。该方法首先综合考虑证据的充分性和重要性,确定证据的可靠性权重;在此基础上,根据证据的可信度权重,设计了一种新的广义置信度Jensen-Shannon散度(GBJS)来度量多个证据之间的差异和冲突程度,并利用GBJS来度量证据的支持度。然后,在使用Dempster合成规则之前,先用证据的支持度对证据体进行调整。最后通过故障诊断实例验证了该方法的有效性。
2018-06-05 cs.AI cs.IT math.IT
Proportional Conflict Redistribution Rules for Information Fusion
在本文中,我们提出了五个版本的比例冲突重新分配规则(PCR)的信息融合连同几个例子。从PCR 1到PCR 2、PCR 3、PCR 4、PCR 5,规则的复杂性和冲突群众重新分配的准确性都有所增加。从超幂集限制到幂集并且没有退化的情况下,PCR 1给出了与Jøsang,Daniel和Vannoorenberghe最近提出的加权平均算子(WAO)相同的结果,但不满足空信念分配的中性性质。这就是本文提出改进的PCR规则的原因。PCR 4是minC和Dempster规则的改进。应用合取规则后,PCR规则根据质量矩阵中分配给相应列的质量,与某些函数成比例地重新分配冲突的质量。根据在特定应用和融合系统中想要处理的复杂性,可以选择这些函数(加权因子)的方式有无限多种。任何融合组合规则在某种程度上都是ad-hoc的。
2005-03-25 cs.AI
Default Reasoning and the Transferable Belief Model
IRIDIA, Universite Libre de Bruxelles(布鲁塞尔自由大学IRIDIA)
不恰当地使用Dempster的组合规则导致一些作者拒绝Dempster-Shafer模型,认为当涉及违约时,它会导致不可接受的结论。一个最经典的例子是关于企鹅翠儿。本文将依次介绍:Tweety案例中管理失误的根源;两种违约类型;基于可转移信念模型的两种违约类型的正确解决方案(我们对Dempster-Shafer模型的解释(Shafer 1976,Smets 1988));除非明确说明,本文中使用的所有置信函数都是简单支持函数,也就是说,只有一个识别框架的命题(焦点)得到一个正的基本信念质量,其余的质量被赋予重言式的信念函数。每个置信函数将由其焦点和焦点的权重(例如m(A)=.9)来描述。基本信念质量的计算总是通过将每个信念函数虚扩展到由所有相关变量构建的乘积空间,通过Dempster组合规则在该空间上组合它们,并将结果投影到对应于每个单独变量的空间来执行。
2013-03-27 cs.AI
A Defect in Dempster-Shafer Theory
Indiana University(印第安纳大学)
通过分析机会、证据权重和置信度之间的关系,指出“概率函数是置信函数的特殊情况”和“Dempster规则可用于组合基于不同证据的置信函数”这两个论断共同导致了Dempster-Shafer理论中的一个不一致性。为了解决这个问题,我们必须拒绝理论的一些基本假设。我们介绍了一种新的方法,不确定性管理,共享许多直观的想法与D-S理论,同时避免这个问题。
2013-02-27 cs.AI
AgentProg: Empowering Long-Horizon GUI Agents with Program-Guided Context Management
Tsinghua University(清华大学);Peking University(北京大学)
本文提出AgentProg,通过将交互历史重构为程序结构,实现长周期GUI任务的高效上下文管理,实验表明其在AndroidWorld和扩展任务集上达到最优性能,并在长周期任务中保持稳健表现。
2026-05-08 cs.AI
A two-step fusion process for multi-criteria decision applied to natural hazards in mountains
Cemagref(法国农业和环境工程研究所);EMSE(圣艾蒂安国立高等矿业学校);ONERA(法国国家航空航天研究院)
山洪和雪崩造成人员和物质损失,后果严重。关于自然现象的知识往往缺乏,需要专门知识,以便使用多学科定量或定性方法进行决策和风险管理。专家知识被认为是一个基于不完全信息的决策过程,这些信息来自或多或少可靠和相互冲突的来源。本文提出了一种将多准则辅助决策方法层次分析法(AHP)与基于信度函数理论的信息融合相结合的方法。模糊集和Possible理论允许将定量和定性标准转换为Dempster-Shafer理论(DST)和Dezert-Smarandache理论(DSmT)背景下的共同决策识别框架。主要问题包括基本的信念分配的启发,冲突识别和管理,融合规则的选择,结果验证,但也在特定的需要,使重要性和可靠性和不确定性之间的差异在融合过程中。
2010-05-06 cs.AI
Neural Belief Reasoner
IBM Research(IBM研究院)
本文提出了一种新的生成模型称为神经信念推理机(NBR)。它与以前的模型不同之处在于它指定了一个置信函数而不是概率分布。它的实现包括神经网络、模糊集运算和置信函数运算,给出了查询应答、样本生成和训练算法。本文分两个方面对丁腈橡胶进行了研究。第一个是一个合成的无监督学习任务,它展示了NBR的能力,执行多跳推理,推理与不确定性和推理冲突的信息。第二个是监督学习:一个针对4和9的强大MNIST分类器,这是最具挑战性的一对数字。该分类器不需要对抗训练,并且它在对抗鲁棒性方面大大超过了L2度量的最新水平,同时在自然图像上保持了99.1%的准确率。
2020-07-16 cs.AI cs.LG
Combination of Evidence Using the Principle of Minimum Information Gain
University of Regina(里贾纳大学)
在任何处理不确定信息的最重要的方面之一是更新不确定度的组合规则。信度函数理论使用Dempster规则来组合由独立证据体定义的两个信度函数。然而,有限的依赖信息的累积信念的Dempster规则可能会导致不满意的结果。本研究提出了一种方法来确定累积信念的前提下,从组合过程中的信息增益应是最小的。该方法提供了一种机制,当所有条件概率都可用时,该机制等效于贝叶斯规则,当归一化常数等于1时,该机制等效于Dempster规则。所提出的最小信息增益的原则是等价的最大熵形式主义,最小交叉熵的原则的一个特殊情况。这一原则的应用结果在一个单调增加的信念与一致的证据的积累。所建议的办法可以为查明各种证据之间的冲突提供一个更合理的标准。
2013-03-27 cs.AI
Generalized Evidence Theory
Southwest University(西南大学);Vanderbilt University(范德堡大学);Shanghai Jiao Tong University(上海交通大学)
冲突管理在证据理论的应用中仍然是一个悬而未决的问题。为了解决这个问题,已经提出了很多工作。本文提出了一种新的证据理论--广义证据理论。与现有的方法相比,GET假设一般情况下是在开放的世界中,由于不确定性和不完全的知识。冲突证据在GET框架下进行处理。结果表明,新理论能更合理地解释和处理证据冲突。
2014-04-17 cs.AI
Inter Observer Variability Assessment through Ordered Weighted Belief Divergence Measure in MAGDM Application to the Ensemble Classifier Feature Fusion
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);School of Medical Science and Technology, Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校医学科学与技术学院)
针对现有多属性群决策方法忽略专家意见冲突的问题,提出一种结合基本概率赋值、有序加权信念似然度量与散度度量的证据MAGDM框架,并验证了其在视网膜疾病诊断的集成分类器特征融合中的应用价值。
2024-09-13 cs.AI cs.IT math.IT
ECon: On the Detection and Resolution of Evidence Conflicts
The Hong Kong University of Science and Technology(香港科技大学);Westlake University(西湖大学);Shanghai Jiaotong University(上海交通大学);Amazon AWS AI(亚马逊AWS人工智能)
本研究针对大语言模型兴起带来的证据间冲突问题,提出ECon方法生成多样化经验证的证据冲突以模拟现实场景,评估了NLI、FC模型及LLM的冲突检测效果,分析了LLM的冲突消解行为并得出多项关键发现。
2024-10-05 cs.AI cs.CL
A Modal Logic Framework for Multi-agent Belief Fusion
本文的目的是提供一个统一的框架推理多个代理人的信念和他们的融合。在本文的第一部分中,我们开发的逻辑推理谨慎合并的信念,不同程度的可靠性的代理。逻辑是通过结合多智能体认知逻辑和多源推理系统获得的。每个智能体的可靠性排序都由一个模态算子表示,因此我们可以在不同的情况下对合并的结果进行推理。融合是谨慎的,在这个意义上,如果一个代理的信念是在冲突与那些更高的优先级,那么他的信念是完全从合并的结果丢弃。我们考虑两种策略的谨慎合并的信念。在第一种情况下,如果在某个层次上出现不一致,则同时丢弃较低层次上的所有信念,因此称为层次切割策略。对于第二种策略,只跳过发生不一致的层,称为跳层策略。给出了这两种策略的形式语义和公理系统。在第二部分中,我们扩展了逻辑的语法和语义,以涵盖一些更复杂的信念融合和修订运营商。虽然大多数现有的方法将信念融合算子视为元级结构,但这些算子直接纳入我们的对象逻辑语言中。因此,在我们的逻辑中,不仅可以用合并的结果进行推理,而且可以对融合过程进行推理。我们的扩展逻辑与信念修正的条件逻辑的关系也进行了讨论。
2002-01-23 cs.AI cs.LO
Quantum dynamical mode (QDM): A possible extension of belief function
Southwest University(西南大学)
证据理论由于其在不需要先验信息的情况下对不确定性建模的灵活性和有效性,在各个领域得到了广泛的应用。此外,量子理论在解决决策问题,特别是在模拟人类决策和认知方面具有强大的能力。然而,以实数为模型的经典Dempster-Shafer证据理论不能直接与以复数为模型的量子理论相结合。那么,如何在经典证据理论和量子理论之间建立一座沟通的桥梁呢?为了回答这个问题,本文提出了一种推广的Dempster-Shafer证据理论。在这项研究中的主要贡献是,不同于现有的证据理论,在广义Dempster-Shafer证据理论中的质量函数是由一个复数建模,称为复杂的质量函数。此外,与经典的Dempster合成规则相比,广义Dempster合成规则取消了两个证据之间冲突系数K < 1的条件,因而比经典Dempster合成规则更具有一般性和适用性。当复质量函数从复数退化为实数时,在证据间冲突系数K小于1的条件下,广义Dempster合成规则退化为经典证据理论。数值例子说明了广义Dempster-Shafer证据理论的有效性。最后,将广义Dempster-Shafer证据理论与量子动力学模型相结合,实现了证据量子动力学模型的应用。实验结果验证了该方法的可行性和有效性。
2018-04-29 cs.AI cs.IT math.IT
Model Validation of Agentic AI Systems: A POMDP-Based Framework for Belief-State, Forecast, and Policy Validation
Quiota LLC(Quiota公司)
提出基于部分可观测马尔可夫决策过程(POMDP)的智能体AI模型验证框架,将自主决策分解为信息、信念、预测、动作和效用组件独立验证,并通过投资组合管理案例展示其有效性。
2026-06-17 cs.AI cs.LG q-fin.RM
Visions of a generalized probability theory
在这本书中,我们认为,计算机视觉和信念演算的富有成效的相互作用能够刺激这两个领域的重大进展。从方法论的角度来看,新的理论成果的几何和代数性质的信念函数的数学对象的说明和讨论在第二部分,重点放在两个角度的“几何方法”的不确定性和代数解决方案的问题相冲突的证据。在第三部分中,我们将展示这些理论的发展是如何从重要的计算机视觉问题(如铰接对象跟踪,数据关联和对象姿态估计),反过来,证据形式主义是能够提供有趣的新的解决方案。最后,采取了一些初步的步骤,对总概率的概念,信念函数的泛化,在赋予证据理论的角度与一个完整的电池的估计和推理工具,以造福于所有的科学家和从业者。
2018-10-18 cs.AI cs.CV math.PR
Applications of Linear Defeasible Logic: combining resource consumption and exceptions to energy management and business processes
Data61, CSIRO(联邦科学与工业研究组织数据61所);University of Verona(维罗纳大学)
线性逻辑和可废止逻辑已被采用,以形式化的不同功能的知识表示:资源的消耗,特别是表示异常的非单调推理。最近,一个框架相结合的子结构的功能,对应的资源消耗,与可撤销性方面来处理潜在的冲突信息,已经在文献中讨论,由一些作者。出现了两个非常相关的应用程序:能源管理和业务流程管理。我们说明了一组指导方针,以确定如何将线性可废止逻辑应用到这些情况下。
2019-08-14 cs.AI cs.LO cs.MA