Resolving Multiple-Dynamic Model Uncertainty in Hypothesis-Driven Belief-MDPs
University of Colorado, Boulder（科罗拉多大学博尔德分校）
本文针对假设驱动信念MDP中多动态模型不确定性导致的历史维度灾难问题，提出一种新的信念MDP形式化方法，能够同时推理多个假设、平衡假设确定与底层POMDP性能，并可通过稀疏树搜索求解。
2024-11-21 cs.AI cs.RO
Deep Belief Markov Models for POMDP Inference
The Pennsylvania State University（宾夕法尼亚州立大学）；Technical University of Munich（慕尼黑工业大学）
提出深度置信马尔可夫模型DBMM，利用变分推断和神经网络从观测数据中高效推断POMDP置信状态，并在离散与连续基准问题上验证。
2025-03-17 cs.AI cs.LG
Optimizing Lithium Production Decisions under Geological, Demand, and Pricing Uncertainties: A POMDP Framework for Multi-Objective Decision Making
Computer Science Department, Stanford University（斯坦福大学计算机科学系）；Aeronautics and Astronautics Department, Stanford University（斯坦福大学航空与航天系）；Earth and Planetary Sciences Department, Stanford University（斯坦福大学地球与行星科学系）
提出POMDP框架，通过信念状态规划优化锂矿开采决策，动态适应价格不确定性，实现更高需求满足和更平衡的经济环境效益。
2026-06-18 cs.AI cs.LG
Proactive Knowledge Inquiry in Doctor-Patient Dialogue: Stateful Extraction, Belief Updating, and Path-Aware Action Planning
The Hong Kong Polytechnic University（香港理工大学）
本文提出了一种基于部分可观测性的主动知识探究框架，通过状态提取、信念更新和路径感知动作规划，提升电子病历生成的覆盖性和准确性。
2026-03-18 cs.AI
Adaptive Structural Learning of Deep Belief Network for Medical Examination Data and Its Knowledge Extraction by using C4.5
Hiroshima City University（广岛市立大学）；Prefectural University of Hiroshima（广岛县立大学）
深度学习有一个分层的网络架构来表示输入模式的复杂特征。提出了深度信念网络（DBN）的自适应结构学习方法。该方法利用神经元生成-湮灭算法，对给定的输入数据，在受限玻尔兹曼机（RBM）中发现最优的隐层神经元数目，并对该算法进行扩展，在DBN中生成新的隐层。本文将提出的DBN自适应结构学习应用于综合体检数据的癌症预测。与传统的DBN相比，该预测系统具有更高的分类准确率（训练准确率为99.8%，测试准确率为95.5%）。此外，关于输入和输出模式之间的关系的显式知识提取训练DBN网络C4.5。本文报道了以“若-则”规则形式提取的一些特征，用于早期发现初始癌症。
2018-08-27 cs.AI cs.NE
Can Global XAI Methods Reveal Injected Behaviours in LLMs? SHAP vs Rule Extraction vs RuleSHAP
Collegium Helveticum at ETH Zurich（苏黎世联邦理工学院霍夫曼学院）；Università della Svizzera italiana（瑞士联邦理工学院）
研究通过统计验证的抽象将全局LLM信念映射为数值分数，提出RuleSHAP算法，结合全局SHAP与规则归纳，以更好地捕捉非单变量触发因素，平均MRR@1比RuleFit提升82%。
2026-06-06 cs.AI cs.LG
THESIS-MoE: Trainable Hierarchical Extraction and SteerIng of Sycophancy in Mixture-of-Experts
本研究提出THESIS-MoE，通过共享对比信号定位MoE模型中谄媚行为的计算子电路，采用有条件干预方法，在保留知识的同时消除了高达90%的信念诱导谄媚行为。
2026-08-18 cs.AI
The Dynamic of Belief in the Transferable Belief Model and Specialization-Generalization Matrices
Technical University of Braunschweig（不伦瑞克工业大学）；Universite Libre de Bruxelles（布鲁塞尔自由大学）
可转移信念模型的基本更新过程与专门化概念有关，可以用专门化矩阵来描述。对一个命题真理性的信念程度是一个被证明的支持程度。最小承诺原则意味着，一个人永远不应该给一个命题的真理比证明更多的支持。我们表明，Dempster的规则的条件基本上对应于最少承诺的专业化，和Dempster的规则的组合结果基本上从交换性的要求。描述了与特化概念对偶的广义化概念。
2013-03-13 cs.AI
Modeling Belief in Dynamic Systems, Part II: Revision and Update
信念变化的研究一直是哲学和人工智能领域的一个活跃领域。近年来，人们对信念改变的两种特殊情况--信念修正和信念更新进行了详细的研究。在一篇配套论文（Friedman & Halpern，1997）中，我们引入了一个新的框架来模拟信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和Mendelzon的信念更新的概念（胜野和Mendelzon，1991年a）取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
1999-03-24 cs.AI
Dynamic Construction of Belief Networks
Brown University（布朗大学）
我们描述了一种增量式构造信念网络的方法。我们已经开发了一种网络构造语言，类似于使用数据依赖关系的前向链接语言，但具有用于指定分布的附加功能。使用这种语言，我们可以定义概率模型的参数化类。这些参数化的模型使得有可能应用概率推理的问题，这是不切实际的，有一个单一的大型静态模型。
2013-03-27 cs.AI
Exploiting Causality for Selective Belief Filtering in Dynamic Bayesian Networks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Edinburgh（爱丁堡大学）
动态贝叶斯网络（DBNs）是一种研究状态部分可观测随机过程的通用模型。DBN中的信念过滤是基于不完整和噪声观测来推断信念状态（即过程状态的概率分布）的任务。在具有大状态空间的复杂过程中，这可能是一个难题。在这篇文章中，我们探索了通过自动利用过程中的因果关系来加速过滤任务的想法。我们考虑一种特定类型的因果关系，称为被动性，它涉及状态变量如何引起其他变量的变化。我们提出了基于被动性的选择性信念过滤（PSBF）方法，该方法保持了一个因子化的信念表示，并利用被动性对信念因子进行选择性更新。PSBF在一定的假设条件下产生精确的信念状态，否则产生近似的信念状态，其中近似误差由过程中的不确定性程度限制。我们的经验表明，在不同的大小和程度的被动的合成过程中，PSBF比几种替代方法更快，同时实现竞争力的准确性。此外，我们还演示了被动性如何在多机器人仓库等复杂系统中自然发生，以及PSBF如何利用这一点来加速过滤任务。
2016-04-25 cs.AI
Automatic Extraction of Road Networks by using Teacher-Student Adaptive Structural Deep Belief Network and Its Application to Landslide Disaster
Hiroshima City University（广岛市立大学）；Prefectural University of Hiroshima（县立广岛大学）
本文提出基于自适应深度信念网络的RoadTracer模型，通过改进的神经元生成-湮灭算法和层生成算法，提升道路网络自动识别的准确率，并应用于滑坡灾害中的道路检测。
2026-06-27 cs.AI cs.CV cs.LG
Learning Dynamic Belief Graphs for Theory-of-mind Reasoning
Department of Civil；Systems Engineering, Johns Hopkins University, Baltimore, MD, USA；School of the Environment, Society \& Sustainability, University of Utah, Salt Lake City, UT, USA；Department of Psychology, University of Utah, Salt Lake City, UT, USA；Coastal Engineering, University of Florida, Gainesville, FL, USA
本文提出一种动态信念图模型，用于增强大语言模型的心灵理论推理能力，通过联合推断潜在信念、学习时间变化依赖关系，并链接信念演变与信息获取和决策，提升高不确定性环境下的行动预测。
2026-09-29 cs.AI
Dynamic Theory of Mind as a Temporal Memory Problem: Evidence from Large Language Models
研究探讨了动态心智理论作为时间延伸表征记忆问题，发现大语言模型在跟踪信念轨迹方面存在挑战，揭示了记忆与干扰机制在社会推理中的影响。
2026-03-15 cs.AI
Dynamic consistency and decision making under vacuous belief
George Mason University（乔治梅森大学）
经济学中关于无知决策的思想与计算机科学中关于不确定性表示的思想相结合。这一组合为人工代理如何以动态一致的方式行事的问题提供了新的思路。通过对相容性测度采用迭代期望律，形式化了序列相容性的概念。给出了Nehring-Puppe偏好的确定性等价算子序列相容的充要条件。这一结果为不确定性条件下的决策模型提供了新的思路。
2012-02-14 cs.AI
World Model Science: Self-Organized Criticality, Weak Chaos, and Metastable Belief Dynamics in Long-Horizon LLM Agents
Emory University（埃默里大学）；The University of Tokyo（东京大学）；LocationMind
该研究通过自组织临界性、弱混沌和亚稳态信念动力学三个视角，分析长时程LLM智能体的轨迹，提出基于轨迹级动力学诊断的世界模型科学方法，并在22项实验中验证其有效性。
2026-10-30 cs.AI
The Transferable Belief Model and Other Interpretations of Dempster-Shafer's Model
IRIDIA, Universite Libre de Bruxelles（布鲁塞尔自由大学IRIDIA）
Dempster-Shafer模型的目的是量化的程度的信念，但有这么多的解释Dempster-Shafer的理论在文献中，它似乎是有用的，目前的各种竞争者，以澄清各自的立场。我们将依次考虑古典概率模型、上下概率模型、Dempster模型、可转移信念模型、证据价值模型、可证明性或必要性模型。这些型号均未获得Dempster-Shafer认证。事实上，可转移的信念模型不是我们对登普斯特工作的解释，而是对谢弗在他的书中提出的工作的解释（谢弗1976，斯梅茨1988）。它是一个？Dempster-Shafer模型的“纯化”形式，其中删除了与概率概念的任何联系。任何信念模型都至少有两个组成部分：一个是描述我们信念状态的静态部分，另一个是解释如何在新信息的情况下更新我们信念的动态部分。我们坚持认为，为了研究这些模型，必须考虑这两个组成部分。太多的作者把自己限制在静态部分，并得出结论，Dempster-Shafer理论是相同的一些其他理论。但一旦考虑到动态因素，这些结论就站不住脚了。任何仅基于静态组件的比较都过于受限。动态分量也必须考虑，因为基于信念函数的模型的独创性在于其动态分量。
2013-03-27 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
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
On Limited Non-Prioritised Belief Revision Operators with Dynamic Scope
FernUniversität in Hagen（哈根远程大学）；TU Dortmund University（多特蒙德工业大学）
非优先修正研究的是修正算子不接受所有新信念。在本文中，我们通过引入动态有限修订的概念，这是一个总的前序在一组有限的世界表示的修订这条线的研究作出贡献。对于一个信念改变算子，我们考虑的范围，其中包括那些信念，产生成功的修订。我们发现，对于满足单句封闭和析取完备性的每一个集合，存在一个动态限制的修订，该修订具有该集合与信念集的联合作为范围。我们调查了信念和范围动态的迭代假设，并描述了它们的动态限制修订特征。作为一个应用，我们采用动态限制修订研究信念修订的背景下，所谓的固有信念，这是信念的全球接受的代理。这导致了我们称之为固有限制的修正算子。我们提出了一个表示定理的内在有限的修订，我们比较这些运营商和动态有限的修订密切相关的有限的修订运营商。
2021-08-17 cs.AI cs.LO
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
Sensor Validation Using Dynamic Belief Networks
Oxford University（牛津大学）
使用光束传感器数据在受限的动态环境中监测机器人的轨迹。我们有一个动态信念网络（DBN），基于域的离散模型，它提供了类似于传统的定量过滤技术的离散监测。传感器观察以特定证据的形式添加到基本DBN中。然而，传感器数据通常部分或完全不正确。我们展示了如何基本的DBN，推断只有一个不可能的证据组合，可能会被修改，以处理特定类型的不正确的数据，可能会发生在域中。然后，我们提出了一个扩展的DBN，增加了一个无效的节点，该模型的传感器工作或有缺陷的状态。此节点提供了不一致数据的定性解释：它是由有缺陷的传感器引起的。失效节点的连续实例的连接对传感器随时间的状态进行建模，从而允许DBN处理持续性和间歇性故障。
2013-03-13 cs.AI
General Belief Measures
概率测量本身，被认为是不合适的建模的动力学的平原信念和他们过于强大的可测量性约束，使他们不适合一些代表性的任务，例如，在一阶知识的背景下。因此，在本文中，我们将寻找可能的替代方案和扩展。首先，我们划定了一般领域的利益，提出了一个最低限度的假设清单，以满足任何合理的准概率估值概念。在这个框架内，我们研究了两种特别有趣的准措施，没有或少得多的传统问题的影响。* 排序测度，推广了Spohn型测度和可能性测度。* 累积的措施，结合概率和排名的哲学，从而允许一个细粒度的静态和动态的信念。
2013-02-27 cs.AI
Modeling Belief in Dynamic Systems, Part II: Revisions and Update
信念变化的研究一直是哲学和人工智能领域的一个活跃领域。近年来，人们对信念改变的两种特殊情况--信念修正和信念更新进行了详细的研究。在一个配套文件中，我们介绍了一个新的框架模型的信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和门德尔松的信念更新的概念取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
2003-07-30 cs.AI cs.LO
Belief Graphs with Reasoning Zones: Structure, Dynamics, and Epistemic Activation
提出信念图框架分离可信度与置信度，通过收缩传播定义推理区，支持冲击更新下的局部重配置，为容错推理激活经典逻辑提供基础。
2025-10-11 cs.AI
Deep Residual Learning for Weakly-Supervised Relation Extraction
National Taiwan University（国立台湾大学）；University of California, Santa Barbara（加利福尼亚大学圣塔芭芭拉分校）
深度残差学习（ResNet）是一种使用身份映射来训练非常深的神经网络的新方法。ResNet赢得了ImageNet ILSVRC 2015分类任务，并在许多计算机视觉任务中实现了最先进的性能。然而，剩余学习对噪声自然语言处理任务的影响仍然没有得到很好的理解。在本文中，我们设计了一种新的卷积神经网络（CNN）与残留学习，并研究其对任务的影响，远距离监督噪声关系抽取。与ResNet只适用于非常深的网络的流行观点相反，我们发现即使有9层CNN，使用身份映射也可以显着提高远程监督关系抽取的性能。
2017-07-27 cs.AI cs.CL
Belief sharing: a blessing or a curse
VERSES Research Lab（VERSES研究实验室）；University of Oxford（牛津大学）；Université du Québec à Montréal（蒙特利尔魁北克大学）
针对主动推断中多方智能体的信念交流问题，本文指出朴素共享后验信念会导致回音室与自我怀疑，并提出一种缓解这些负面社会动态的替代策略。
2024-07-02 cs.AI
Belief Filtering for Epistemic Control in Linguistic State Space
Sebastian Dumbrava（独立研究者）
本文在语义流形框架下提出信念过滤机制，通过对语言化内部认知状态进行内容感知的结构化干预，实现智能体认知控制，为人工智能安全与对齐提供新路径。
2025-05-08 cs.AI
Explicit Modelling of Theory of Mind for Belief Prediction in Nonverbal Social Interactions
University of Stuttgart（斯图加特大学）
提出MToMnet神经网络，通过显式建模心理理论并融合多模态线索预测人类社交互动中的信念及其动态，在两个真实数据集上大幅超越现有方法且参数量更少。
2024-08-28 cs.AI
Exploiting Causality for Selective Belief Filtering in Dynamic Bayesian Networks (Extended Abstract)
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Edinburgh（爱丁堡大学）
动态贝叶斯网络（DBNs）是一种研究状态部分可观测随机过程的通用模型。DBN中的信念过滤是基于不完整和不确定的观察来推断信念状态（即过程状态的概率分布）的任务。在这篇文章中，我们探索了通过自动利用过程中的因果关系来加速过滤任务的想法。我们考虑一种特定类型的因果关系，称为被动性，它涉及状态变量如何引起其他变量的变化。我们提出了基于被动性的选择性信念过滤（PSBF）方法，该方法保持了一个因子化的信念表示，并利用被动性对信念因子进行选择性更新。PSBF在合成过程和模拟的多机器人仓库，在那里它优于其他过滤方法，利用被动。
2019-07-10 cs.AI cs.RO
Modeling Belief in Dynamic Systems, Part I: Foundations
信念改变是人工智能中的一个基本问题：智能体必须不断更新自己的信念以适应新的观察结果。近年来，有很多工作的公理化特征的信念变化。我们认为，一个更好的理解信念的变化，可以通过检查适当的语义模型。在本文中，我们提出了一个一般的框架，在其中模型的信念变化。我们首先根据知识和可信度来定义信念：如果一个主体知道p比它的否定更可信，他就相信p。然后，我们考虑一些属性定义的知识和可验证性之间的相互作用，并显示这些属性如何影响信仰的属性。特别是，我们表明，通过假设两个最自然的属性，信念成为一个KD 45运营商。最后，我们把时间添加到图片中。这给了我们一个框架，在这个框架中，我们可以讨论知识、可解释性（以及信念）和时间，这扩展了Halpern和Fagin在多智能体系统中建模知识的框架。然后，我们研究“最小变化”的问题。这个概念可以通过使用先验概率来捕捉，先验概率是先验概率的一种类似物，可以通过“条件”来更新。我们通过例子表明，条件的可扩展性措施可以捕捉到许多感兴趣的情况。在一个配套文件中，我们展示了两个最好的研究方案的信念变化，信念revisionand信念更新，适合我们的框架。
2003-07-30 cs.AI cs.LO
Belief Contraction in Dynamic Epistemic Logic
Stanford University（斯坦福大学）；University of California, Berkeley（加州大学伯克利分校）
针对动态认知逻辑无法建模事实命题信念收缩的问题，提出直接在标准Kripke模型上定义信念收缩机制，满足部分收缩性质，并给出公理化及扩展逻辑。
2026-07-01 cs.AI cs.LO
The Temporal Dynamics of Belief-based Updating of Epistemic Trust: Light at the End of the Tunnel?
Ludwig-Maximilians-University of Munich (LMU)（慕尼黑大学（LMU））；Friedrich Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）；Birkbeck College London（伦敦伯克贝克学院）
我们开始与结果和基于信念的贝叶斯模型的顺序更新代理人的信念和主观可靠性的来源（信任）的区别。然后，我们重点讨论了有影响力的贝叶斯模型的基于信念的信任更新的埃里克奥尔森，该模型的二分法事件，并明确表示反可靠性。在勾画了一些灾难性的最近的结果，这也许是最有前途的模型的信念更新，我们展示了新的模拟结果的时间动态的学习信念，有和没有信任更新，有和没有沟通。结果似乎至少为沟通和信任更新代理提供了一些更积极的信息。这可能是基于信念的信任更新模型隧道尽头的一盏灯，但对明确发现的解释却不那么清楚。
2019-12-24 cs.AI cs.SI
Dynamic Logic of Trust-Based Beliefs
Institute of Logic and Intelligence, Southwest University, China（逻辑与智能研究所，西南大学，中国）；University of Southampton, United Kingdom（南安普顿大学，英国）；Independent Scholar, United States（独立学者，美国）
本文研究融合数据公开宣告的智能体信念动态逻辑，提出可靠完备的公理化系统并给出多项式模型检测算法。
2025-11-02 cs.AI cs.LO math.LO
Learning Triadic Belief Dynamics in Nonverbal Communication from Videos
UCLA Center for Vision Cognition Learning and Autonomy（加州大学洛杉矶分校视觉认知学习与自主中心）
人类具有独特的社会认知能力，非言语交际可以在主体之间传递丰富的社会信息。相比之下，这些重要的社会特征在现有的场景理解文献中大多缺失。在本文中，我们结合了不同的非语言沟通线索（例如，凝视、人类姿势和手势）来从纯视觉输入表示、建模、学习和推断代理的精神状态。重要的是，这样的心理表征考虑了主体的信念，因此它代表了真实的世界状态，并推断出每个主体的心理状态中的信念，这些信念可能与真实的世界状态不同。通过聚合不同的信念和真实的世界状态，我们的模型在两个智能体之间的交互过程中基本上形成了“五个心智”。这个“五个头脑”模型不同于以前的作品，在无限递归中推断信念;相反，代理人的信念被收敛到一个“共同的头脑”中。基于这种表示，我们进一步设计了一个分层的基于能量的模型，共同跟踪和预测所有五个心灵。从这个新的角度来看，一个社会事件是由一系列的非语言交流和信念的动态，这超越了经典的关键帧视频摘要解释。在实验中，我们证明，使用这样的社交帐户提供了一个更好的视频摘要与最先进的关键帧视频摘要方法相比，具有丰富的社会互动的视频。
2021-04-07 cs.AI cs.CV
ScioMind: Cognitively Grounded Multi-Agent Social Simulation with Anchoring-Based Belief Dynamics and Dynamic Profiles
The University of Sydney（悉尼大学）
ScioMind结合结构化意见动态与LLM代理推理，通过记忆锚定信念更新规则、分层记忆架构和动态代理资料提升社交模拟的真实性与稳定性。
2026-05-13 cs.AI cs.SI
Dynamics of Belief: Abduction, Horn Knowledge Base And Database Updates
RWTH Aachen（亚琛工业大学）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。为了将信念动力学理论的合理性结果应用到各种实际问题中，它应该在两个方面进行推广：第一，它应该允许信念的某一部分被声明为不变的;第二，信念状态不需要是演绎封闭的。本文提出了这样一种广义的信念动力学，称为基地动力学，随着知识库（霍恩或霍恩逻辑分层否定）的广义修正算法的概念。我们表明，知识库动态有一个有趣的连接，通过击中集和绑架的内核变化。在本文中，我们将展示如何从析取逻辑编程技术可以用于有效的（演绎）数据库更新。其核心思想是将给定的数据库连同更新请求一起转换成一个析取（数据库）逻辑程序，并应用析取技术（如最小模型推理）来解决原始的更新问题。该方法扩展并集成了标准技术，以实现高效的查询应答和完整性检查。一个击中集的生成是通过一个超tableaux演算和魔术集，专注于最小的目标。本文提供了一个比较研究的视图更新算法在理性的做法。为了理解溯因推理的基本概念，我们提供了一个知识库动力学的溯因框架。最后，我们展示了如何信念基础动力学可以提供一个公理化的表征插入一个视图原子的数据库。我们给出了信念改变的主要操作符的快速概述，特别是信念更新与数据库更新。
2015-01-27 cs.AI cs.DB cs.LO
A quantum dynamic belief decision making model
Northwestern Polytechnical University（西北工业大学）
确定性原理和全概率定律是经典概率论的基本定律。一个析取谬误导致违反这两个经典概率定律。本文提出了一种新的基于量子动力学建模和Dempster-Shafer（D-S）证据理论的量子动力学信念决策模型来解决这个问题，并模拟真实的人类决策过程。一些数学技巧是从量子数学中借用的。一般来说，信念和行动是决策过程中的两个部分。信念部分的不确定性由某些状态的叠加表示。行动中的不确定性被表示为额外的不确定性状态。干扰效应的产生是由于信念与行为之间的纠缠。决策的基本概率分配（BPA）由量子动力学模型生成。然后用额外不确定态的BPA和由熵函数邓熵定义的纠缠度来度量干涉效应。与现有模型相比，本文模型中自由参数的个数较少。最后，一个经典的分类决策实验说明了我们的模型的有效性。
2017-03-06 cs.AI q-bio.NC quant-ph
Coherence-Driven Belief Formation and Population Dynamics of Contagion in LLM Agents
Takeda Pharmaceuticals（武田制药）；Northeastern University（东北大学）
本研究实证测量LLM智能体的信念采纳，发现其呈S形复杂传染特征，阈值受主张合理性、来源可靠性和智能体倾向影响，可归约为一致性维度，且在聚类网络上传播更广，共识难以消除。
2026-10-05 cs.AI cs.MA cs.SI
A quantum dynamic belief model to explain the interference effects of categorization on decision making
Northwestern Polytechnical University（西北工业大学）
分类是许多决策任务所必需的。然而，分类过程可能会干扰决策结果，并且在某些情况下可能违反全概率定律。为了预测分类的干扰效应，人们提出了一些基于量子概率的模型。本文提出了一种新的量子动力学信念（QDB）模型。考虑到在决策过程中可能无法做出精确的决策，我们在模型中引入了不确定性的概念来模拟真实的人类思维过程。然后通过对不确定信息的处理，对干扰效果进行分类预测。该模型被应用于一个分类决策实验，以解释分类的干扰效应。与其他模型相比，该模型相对简洁，结果表明了该模型的正确性和有效性。
2017-03-06 cs.AI quant-ph
An Abductive Framework for Horn Knowledge Base Dynamics
RWTH Aachen（亚琛工业大学）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。我们引入Horn知识库动态来处理两个重要的问题：第一，处理不需要演绎闭合的信念状态;第二点是声明信念的某些部分为不可变的能力。在本文中，我们解决这个问题的另一个，全新的方法。这种方法非常接近于汉森的信念的二元表示。在这里，我们将不可变部分视为定义一个新的逻辑系统。所谓逻辑系统，我们的意思是它定义了自己的结果关系和闭包运算符。在此基础上，我们提供了一个溯因框架的霍恩知识库动力学。
2014-05-22 cs.AI cs.LO
A Rational and Efficient Algorithm for View Revision in Databases
SSN College of Engineering（SSN工程学院）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。本文认为，要将信念动力学理论的合理性结果应用于各种实际问题，应该从两个方面加以推广：首先，它应该允许信念的某一部分被声明为不变的;其次，信念状态不需要是演绎封闭的。这样一个广义的信念动态，称为基地动态，提出了一个广义的修正算法的概念，霍恩知识库。我们表明，霍恩知识库动态与内核的变化和绑架有着有趣的联系。最后，我们还表明，这两种变体是合理的，在这个意义上，他们满足一定的理性假设来自哲学作品的信念动力学。
2013-01-22 cs.AI cs.DB cs.LO
Markov versus quantum dynamic models of belief change during evidence monitoring
Indiana University（印第安纳大学）；University of Kansas（堪萨斯大学）
两种不同的动态模型的信念变化过程中的证据监测进行了评估：马尔可夫和量子。他们通过一个实验进行了经验性的测试，在这个实验中，参与者在最初的一段时间内监测证据，进行概率评级，然后监测更多的证据，然后进行第二次评级。通过操纵时间间隔的方式，提供了一个测试的干扰效应的第一个评级的第二个模型进行了定性测试。马尔可夫模型预测没有干扰，而量子模型预测干扰。两个模型的定量比较也进行了使用泛化准则方法：参数拟合的数据从一组时间间隔，然后这些相同的参数被用来预测数据从另一组时间间隔。结果表明，马尔可夫模型和量子模型的一些特征需要准确地解释结果。
2019-05-15 cs.AI quant-ph
The Ditmarsch Tale of Wonders - The Dynamics of Lying
University of Seville（塞维利亚大学）
我们提出了一个动态的说谎逻辑，其中一个“说谎，φ”（其中φ是一个公式的逻辑）是一个动作的意义上的动态模态逻辑，这是解释为一个状态Transformer相对于公式φ。被转换的状态是指向的Kripke模型，编码了代理人对他们信念的不确定性。谎言可以是关于事实命题的，也可以是关于模态公式的，比如其他代理人的信念或其他代理人谎言的信念后果。我们区分（i）一个外部观察者对系统中建模的代理人撒谎，（ii）一个代理人对另一个代理人撒谎，并且两者都在系统中建模。对于这两种情况，我们进一步区分了（iii）相信它被告知的一切（即使以不一致为代价）的代理人，（iv）只相信它被告知的与其当前信念一致的代理人，以及（v）通过不断修改其当前信念来相信它被告知的一切的代理人。逻辑有完整的公理化，这可以通过它们嵌入到所谓的动作模型逻辑或该逻辑的扩展到信念修正中来最优雅地显示。
2012-03-21 cs.AI cs.LO
Integrating Human-Provided Information Into Belief State Representation Using Dynamic Factorization
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
在部分观察的环境中，人类向机器人提供表示对世界中的对象的属性的概率关系约束的声明性信息，从而增强机器人的感官观察，这可能是有用的。例如，执行搜救任务的机器人可能会被人类告知，两名受害者可能在同一个房间里。一个重要的问题出现了：我们应该如何表示机器人的内部知识，使这些信息得到正确的处理，并与原始的感官信息相结合？在本文中，我们提供了一个有效的信念状态表示，动态地选择一个适当的因素，结合方面的信念时，他们是相关的，通过信息和分离时，他们没有。这种策略在开放域中工作，其中可能的对象的集合是事先不知道的，并且在静态分解的推理时间上提供了显着的改进，从而更有效地规划复杂的部分观察任务。我们在两个开放域规划问题：一个2D离散网格世界任务和一个3D连续烹饪任务实验验证我们的方法。补充视频可以在http://tinyurl.com/chitnis-iros-18上找到。
2018-07-30 cs.AI cs.RO
Bayesian Belief Layer for Controllable Opinion Dynamics in LLM Agents
Massachusetts Institute of Technology（麻省理工学院）；Flybits Labs（Flybits实验室）；Toronto Metropolitan University（多伦多都会大学）
提出贝叶斯编年史智能体（BCA），通过分离信念与表达、用贝叶斯步骤更新立场并引入先验强度参数，实现可控意见动态，匹配FJ模型并提升可审计性。
2026-09-23 cs.AI cs.MA
Explainable Belief Harmonization under Dynamic Epistemic Partitions
Warsaw University of Technology（华沙技术大学）
研究多智能体信念组合中认知分区的运行时变化，提出结合回答集编程与Python的混合方法框架，能处理异构分辨率级别，保证可接受性、修复及解释完整性，经评估可实现完全违规检测和解释覆盖。
2026-07-24 cs.AI cs.LO cs.MA
Stories in Space: In-Context Learning Trajectories in Conceptual Belief Space
研究通过故事理解探讨LLM在概念信念空间中的动态信念更新，发现信念更新可描述为低维结构流形上的轨迹，并能通过简单线性探针预测行为。
2026-05-12 cs.AI cs.CL cs.LG
Improved Dynamic Schedules for Belief Propagation
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
置信传播及其变体是用于近似推理的流行方法，但是它们的运行时间甚至它们的收敛性在很大程度上取决于用于发送消息的调度。最近，动态更新调度在硬网络上的收敛速度比静态调度快得多，即Elidan等人的剩余BP调度。但是RBP算法浪费了消息更新：许多消息的计算仅仅是为了确定它们的优先级，并且从未实际执行。在本文中，我们表明，估计残差，而不是直接计算它，导致收敛所需的消息数量显着减少，并在总运行时间。残差估计使用的上界的基础上最近的工作BP的消息错误。在合成和真实世界的网络中，这大大减少了BP的运行时间，在某些情况下减少了五倍，而不会影响解决方案的质量。
2012-06-20 cs.AI cs.LG stat.ML
Gaussian Belief with dynamic data and in dynamic network
KTH-Royal Institute of Technology（KTH皇家理工学院）；TKK-Helsinki University of Technology（TKK赫尔辛基理工大学）；Friedrich-Schiller-University Jena（耶拿弗里德里希·席勒大学）
在本文中，我们分析了在一个动态环境中的高斯模型的信念传播。最近，这已经被提出作为通过分布式协议对本地测量值进行平均的方法（“Consensus Propagation”，Moallemi & Van Roy，2006），其中平均值可用于在每个单个节点处读出。在底层网络是恒定的但要平均的值波动（“动态数据”）的情况下，收敛性和准确性由相关Ruelle-Perron-Frobenius算子的谱特性决定。对于Erdos-Renyi图上的高斯模型，数值计算指出了保留在大尺寸限制中的谱间隙，这意味着非常好的可扩展性。在底层网络也波动的模型（“动态网络”）中，平均比动态数据情况更有效。总之，这意味着这些方法在非常大的系统中具有非常好的性能，并开辟了大型（和动态）信息系统统计物理学的新领域。
2009-05-03 cond-mat.stat-mech cs.AI cs.IT
Belief Engine: Configurable and Inspectable Stance Dynamics in Multi-Agent LLM Deliberation
ETH Zurich（苏黎世联邦理工学院）；Centre for Democracy Studies Aarau, University of Zurich（苏黎世大学民主研究中心）；Massachusetts Institute of Technology（麻省理工学院）
本文提出Belief Engine，通过可配置的信念更新机制，研究多智能体协商中的立场动态，揭示立场变化背后的证据吸收与锚定因素。
2026-05-14 cs.AI cs.LG cs.MA
Can LLMs Emulate Human Belief Dynamics?
Department of Computer Science（计算机科学系）；University of Rochester（罗切斯特大学）；Department of Political Science（政治学系）；Department of Physics and Astronomy（物理学与天文学系）
研究探讨了大型语言模型（LLMs）能否模拟人类在社交网络中形成和改变信念的过程，发现LLMs在初始信念分布和整体一致性方面表现不佳，并警告在社交模拟中使用LLMs作为人类代理的风险。
2026-05-05 cs.AI cs.CY cs.SI
Spike-based Belief Propagation in Nonlinear Dynamical Systems
Eindhoven University of Technology（埃因霍温理工大学）；University of Twente（特文特大学）
本文提出一种结合脉冲动力学与概率推理的贝叶斯控制算法，以山地停车问题为基准验证其在不确定环境中实时更新状态、生成目标导向动作的能力，有望成为连接计算神经科学与概率控制理论的桥梁。
2026-08-21 cs.AI cs.LG cs.NE
