Relational-Grid-World: A Novel Relational Reasoning Environment and An Agent Model for Relational Information Extraction
强化学习(RL)代理通常是专门为特定问题设计的,它们通常具有不可解释的工作过程。基于统计方法的代理算法可以使用符号人工智能(AI)工具(如逻辑编程)在可推广性和可解释性方面进行改进。在这项研究中,我们提出了一个无模型的RL架构,支持环境对象的显式关系表示。我们首次在动态决策问题中使用PrediNet网络架构,而不是基于图像的任务,并将多头点积注意力网络(MHDPA)作为性能比较的基线。我们在两个环境中测试了两个网络,基本的Box-World环境和我们的新环境,网格世界(RGW)。与程序生成的RGW环境,这是复杂的视觉感知和组合选择,很容易衡量的RL代理的关系表示性能。使用不同的环境配置进行了实验,以便将所介绍的模块和环境与基线进行比较。我们使用PrediNet架构和MHDPA达到了类似的策略优化性能结果;此外,我们实现了显式提取命题表示-这使得代理的统计策略逻辑更具可解释性和易处理性。代理策略的这种灵活性为设计非任务特定的代理体系结构提供了便利。本研究的主要贡献是双重的-一个RL代理,可以显式地执行关系推理,和一个新的环境,衡量RL代理的关系推理能力。
2020-07-12 cs.AI
Learning Probabilistic Temporal Safety Properties from Examples in Relational Domains
KU Leuven University(荷语鲁汶大学);Université Libre de Bruxelles(布鲁塞尔自由大学)
我们提出了一个框架,用于从一组标记为安全或不安全的状态中学习概率计算树逻辑(pCTL)公式的片段。我们在一个关系的设置,并结合从关系马尔可夫决策过程与pCTL模型检查的想法。更具体地,我们假设存在仅由安全状态满足的未知关系pCTL目标公式,并且具有最大$k$步骤的范围和阈值概率$α$。然后,任务包括从由领域专家标记为安全或不安全的状态中学习这个未知的公式。我们应用关系学习的原则,诱导一个pCTL公式,满足所有的安全状态,没有不安全的。然后,该公式可以用作该域的安全规范,使得系统可以避免在未来进入危险情况。根据关系学习原理,我们引入了一个候选公式生成过程,以及一种方法来决定哪个候选公式是一个令人满意的规范给定的标记状态。专家知道和不知道系统策略的情况下进行处理,然而,这两种情况下的学习过程是相同的。我们评估我们的方法在一个合成的关系域。
2022-11-07 cs.AI
Learning Probabilistic Relational Dynamics for Multiple Tasks
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
代理的行为影响世界的方式通常可以使用一组相关的概率规划规则来建模。本文讨论了学习多个相关任务的规则集的问题。我们采取分层贝叶斯方法,系统学习规则集的先验分布。我们提出了一类先验分布参数化的规则集原型,随机修改,以产生一个特定于任务的规则集。我们还描述了一个坐标上升算法,迭代优化特定于任务的规则集和先验分布。使用该算法的实验表明,从相关的任务中转移信息显着减少了预测块世界域中的动作效果所需的训练数据量。
2012-06-20 cs.AI
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
Reasoning about Unmodelled Concepts - Incorporating Class Taxonomies in Probabilistic Relational Models
Institute for Artificial Intelligence(人工智能研究所);University of Bremen(不来梅大学)
一阶概率方法应用中的一个关键问题是它们隐含的图形模型的巨大尺寸。大小是由对象和关系的域生成的可能世界产生的。这种爆炸的原因之一是,到目前为止,这些方法没有充分利用可能世界的结构和相似性,以便更复杂地编码模型。我们提出了模糊推理的马尔可夫逻辑网络,这使得使用的分类知识作为一个源的结构强加到可能的世界。我们表明,通过利用这种结构,概率分布可以表示更companies和推理系统变得能够推理的概念不包含在概率知识库。
2015-04-21 cs.AI
Expressing Relational and Temporal Knowledge in Visual Probabilistic Networks
Imperial College of Science, Technology and Medicine(帝国理工学院)
贝叶斯网络已被广泛用于诊断任务,如医学,其中它们表示一组症状和一组疾病之间的依赖关系。对这种类型的知识表示的批评是,它仅限于这类任务,并且它不能处理其他人工智能应用中所需的知识。例如,在计算机视觉中,我们需要能够对复杂的知识进行建模,包括时间和关系因素。在本文中,我们扩展贝叶斯网络模型的关系和时间的知识,高层次的视觉。这些扩展网络具有简单的结构,使我们能够有效地传播概率。我们已经将它们应用到内窥镜领域,说明了如何在特定情况下使用一般建模原则。
2013-03-13 cs.AI
Towards Privacy-Preserving Relational Data Synthesis via Probabilistic Relational Models
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));University of Hamburg(汉堡大学);singularIT GmbH(singularIT有限公司)
针对真实关系数据受隐私与成本限制的问题,本文提出从关系数据库学习概率关系模型并采样合成关系数据的完整流水线。
2024-10-02 cs.AI cs.DB cs.LG
Probabilistic Similarity Logic
University of Maryland(马里兰大学)
许多机器学习应用程序都需要从嘈杂的多关系数据中学习和推理的能力。为了解决这个问题,已经开发了几种有效的表示方法,它们既提供了用于表达域的结构性的语言,又提供了对概率推理的原则性支持。然而,除了这两个方面之外,许多应用程序还涉及第三个方面,即需要对相似性进行推理,而现有的框架并不直接支持这一点。本文介绍了概率相似性逻辑(PSL),一个通用的框架,联合推理的相似性在关系领域,结合概率推理的相似性和关系结构的原则性的方式。PSL可以集成任何现有的领域特定的相似性措施,也支持推理的实体集之间的相似性。我们为PSL提供了有效的推理和学习技术,并在常见的关系任务和需要推理相似性的设置中证明了其有效性。
2012-03-15 cs.AI
Symbolic Querying of Vector Spaces: Probabilistic Databases Meets Relational Embeddings
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
我们提出了统一的技术,从概率数据库和关系嵌入模型的目标执行复杂的查询不完整和不确定的数据。我们形式化的概率数据库模型,所有的查询。这使我们能够利用来自概率数据库的丰富的理论和算法文献来解决问题。虽然这种形式化可以与任何关系嵌入模型一起使用,但缺乏定义良好的联合概率分布会导致简单的查询问题变得难以证明。考虑到这一点,我们引入\TO,一个关系嵌入模型,旨在成为一个易于处理的概率数据库,利用典型的嵌入假设的概率框架。使用一个原则,高效的推理算法,可以从它的定义,我们经验证明,\TOs是一个有效的和一般的模型,这些查询任务。
2020-06-27 cs.AI cs.DB
Polynomial-Time Relational Probabilistic Inference in Open Universes
Washington University in St. Louis(华盛顿大学圣路易斯分校)
本文提出一种一阶关系概率推理方法,将期望的平方和逻辑扩展到关系设置,证明在有界度片段中可在多项式时间内完成提升推理,并建立了固定次数下平方和反驳的完备性。
2025-05-07 cs.AI
Probabilistic Relational Model Benchmark Generation
LARODEC Laboratory(拉罗德克实验室);ISG(突尼斯高等管理学院);Université de Tunis(突尼斯大学);DUKe research group(DUKe研究组);LINA Laboratory UMR 6241(LINA实验室(法国国家科研中心联合研究单位6241));University of Nantes(南特大学);DataForPeople
任何数据库挖掘方法的验证都要经过一个评估过程,其中基准的可用性至关重要。在本文中,我们的目标是随机生成关系数据库基准,允许检查属性之间的概率依赖关系。我们对概率关系模型(PRM)特别感兴趣,它将贝叶斯网络(BN)扩展到关系数据采掘环境,并在关系数据上实现有效和鲁棒的推理。尽管一系列的工作都集中在随机贝叶斯网络和关系数据库的生成上,但还没有发现PRM在这方面的工作。本文提供了一种从头开始生成随机PRM的算法方法来填补这一空白。所提出的方法允许从随机生成的关系模式和随机的一组概率依赖关系生成PRM以及合成关系数据。这不仅对机器学习研究人员在通用框架中评估他们的建议感兴趣,而且对数据库设计人员评估数据库管理系统组件的有效性也感兴趣。
2016-03-02 cs.AI cs.LG
Verifying Relational Explanations: A Probabilistic Approach
University of Memphis(孟菲斯大学);Adobe Research(Adobe研究院)
本文提出一种概率方法,通过生成反事实示例并学习因子图模型来量化GNNExplainer解释中的不确定性,从而解决关系数据解释难以验证的问题。
2024-01-05 cs.AI
Probabilistic Relational Planning with First Order Decision Diagrams
Oregon State University(俄勒冈州立大学);Tufts University(塔夫茨大学)
动态规划算法已成功地应用于命题随机规划问题,通过使用紧凑的表示,特别是代数决策图,捕捉域动态和价值函数。符号动态规划的工作提升了这些想法,一阶逻辑使用几种表示方案。最近的工作介绍了一阶变量的决策图(FODD),并开发了一个值迭代算法,这种表示。本文开发了几个改进的FODD算法,使该方法的实用。这些包括,新的减少运营商,减少的大小表示,几个加速技术,和技术的值近似。在此基础上,提出了一个求解相关随机规划问题的规划系统FODD-Planner。该系统在几个领域进行了评估,包括最近的国际规划竞赛的问题,并显示出与顶级系统的竞争力。这是第一次证明这种方法的可行性,它表明,通过紧凑的表示抽象是一个很有前途的方法随机规划。
2014-01-16 cs.AI
From probability to causality in probabilistic logic programming
Ludwig-Maximilians-Universität München(慕尼黑大学);Eberhard-Karls-Universität Tübingen(蒂宾根大学);German University of Digital Science(德国数字科学大学)
该研究针对概率逻辑程序从数据学习时因果顺序不唯一的问题,结合贝叶斯网络关系推导条件并纳入因果对称约束,提出可验证干预语义的方法。
2026-08-10 cs.AI
Relational Bayesian Networks
Computer Science Department, Stanford University(斯坦福大学计算机科学系)
提出了一种表示多个随机事件概率关系的新方法。在先前包含概率规则的知识库用于此目的的情况下,在此关系上的概率分布直接由贝叶斯网络表示。通过使用一种强大的方式来指定这些网络中的条件概率分布,所得到的形式主义比以前的形式主义更具表达力。特别地,它提供了对事件的等式的约束,并且它允许定义复杂的嵌套组合函数。
2013-02-06 cs.AI
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
Compiling Relational Database Schemata into Probabilistic Graphical Models
University of Massachusetts(马萨诸塞大学);Microsoft Research(微软研究院)
在这项工作中,我们提出了一种方法,使用关系数据库模式自动构建贝叶斯图形模型的数据库,而不是需要一个领域的专家来指定的数据的概率依赖关系。此生成的模型包含列的自定义分布、对数据进行聚类的潜在变量以及反映和表示外键链接的因子。实验证明了该模型的准确性和推理的可扩展性的合成和真实世界的数据。
2012-12-05 cs.AI cs.DB cs.LG
Discriminative Probabilistic Models for Relational Data
Stanford University(斯坦福大学)
在许多监督学习任务中,待标记的实体以复杂的方式彼此相关,并且它们的标记不是独立的。例如,在超文本分类中,链接页面的标签高度相关。一种标准的方法是对每个实体独立分类,忽略它们之间的相关性。最近,概率关系模型,贝叶斯网络的关系版本,被用来定义一个联合概率模型的相关实体的集合。在本文中,我们提出了一个替代框架,建立在(条件)马尔可夫网络和解决以前的方法的两个局限性。首先,无向模型不施加非循环约束,这阻碍了有向模型中许多重要关系依赖的表示。其次,无向模型非常适合区分训练,在这种情况下,我们优化了给定特征的标签的条件似然,这通常会提高分类准确性。我们展示了如何有效地训练这些模型,以及如何使用近似概率推理的学习模型的集体分类的多个相关的实体。我们提供了一个网页分类任务的实验结果,表明可以显着提高准确性建模的关系依赖。
2012-12-12 cs.AI cs.LG stat.ML
ReFuGe: Feature Generation for Prediction Tasks on Relational Databases with LLM Agents
KAIST(韩国科学技术院)
ReFuGe通过LLM代理生成关联数据库预测任务的特征,提升预测性能。
2026-01-25 cs.AI
Lifted Model Checking for Relational MDPs
KU Leuven(鲁汶大学);Université libre de Bruxelles(布鲁塞尔自由大学);Örebro University(厄勒布鲁大学)
概率模型检验是为了验证具有随机性和不确定性行为的系统而发展起来的。给定一个概率系统,概率模型检查器获取一个属性,并检查该属性在该系统中是否成立。因此,概率模型检验提供了严格的保证。然而,到目前为止,概率模型检验主要集中在命题模型上,其中状态由符号表示。另一方面,在规划和强化学习中通常需要进行关系抽象。各种框架处理关系域,例如,CNOPS规划和关系马尔可夫决策过程。在关系环境中使用命题模型检验需要将模型接地,这导致了众所周知的状态爆炸问题和棘手性。我们提出了pCTL-REBEL,一个提升的模型检验方法来验证pCTL属性的关系MDP。它将基于关系模型的强化学习技术REBEL扩展到关系pCTL模型检验. PCTL-REBEL被提升,这意味着该模型不是基于基础,而是利用对称性在关系级别上将一组对象作为一个整体进行推理。理论上,我们表明,pCTL模型检验是可判定的关系MDP有可能是无限的域,提供的状态有界的大小。在实践中,我们贡献的算法和实现解除关系模型检验,我们表明,解除的方法提高了可扩展性的模型检验方法。
2022-01-10 cs.AI cs.LG cs.LO
MemPrism: Task-Conditioned Relational Memory Views for Long-Horizon Agents
Nanyang Technological University(南洋理工大学);South China University of Technology(华南理工大学);Beijing University of Posts and Telecommunications(北京邮电大学);University of Science and Technology of China(中国科学技术大学);Peking University(北京大学);Zhejiang University(浙江大学);Fudan University(复旦大学);Shanghai Jiao Tong University(上海交通大学)
该研究针对长程智能体记忆系统的表示不匹配问题,提出MemPrism任务条件关系记忆框架,经实验验证可提升长程任务性能、减少记忆消耗且视图策略可跨VLM迁移。
2026-10-28 cs.AI
When LLM Agents Fail to Read the Room: ReAdapt for Relational Social Reasoning
MetaAI
针对LLM智能体在社交决策中忽视潜在关系的问题,提出ReAdapt框架,通过显式结构化社交状态和策略驱动的适应步骤,在合成社交世界基准上显著提升反应选择与热忱引荐的准确率。
2026-09-23 cs.AI
MARBO: Relational Belief Grounding for LLM Agents in Social Deduction Games
Graduate School of Artificial Intelligence, UNIST(蔚山国家科学技术研究院人工智能研究生院)
MARBO提出基于关系信念的偏好优化框架,使紧凑LLM智能体在社交推理游戏中通过信念引导决策与言语,实现更一致学习并持续超越现有基线。
2026-09-23 cs.AI cs.LG
RAC: A Relational Agent Contract for Constraint-Governed Engineering Tasks
University of Washington(华盛顿大学);Western Washington University(西华盛顿大学);King Abdulaziz City for Science and Technology (KACST)(阿卜杜勒阿齐兹国王科技城)
本文提出RAC契约,通过让智能体保留语义控制并委托工具推导机械结果,在PCB、调度等任务中提升了约束管控工程任务的制品可靠性,实现了更高的通过率。
2026-10-16 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
Learning Probabilistic Logic Programs with Functional Gradient Guided Language Models
Technische Universität Darmstadt(达姆施塔特工业大学);The University of Texas at Dallas(德克萨斯大学达拉斯分校);AT&T CDO(AT&T首席数字官办公室);Oregon state University(俄勒冈州立大学)
提出神经符号框架grasp,将关系结构学习转化为函数梯度提升,用LLM处理难的内部搜索,在Tox21等四个基准上优于多种基线,生成可解释带权规则集成。
2026-10-09 cs.AI
Ensemble Relational Learning based on Selective Propositionalization
University of Bari ``Aldo Moro''(巴里大学“阿尔多·莫罗”)
处理结构化数据需要使用表达性表示形式,然而,这将问题置于处理机器学习过程的计算复杂性。此外,现实世界的领域需要能够管理其典型不确定性的工具。许多统计关系学习方法试图通过将相关关系特征的构建与概率工具相结合来处理这些问题。当组合是静态的(静态命题化)时,构造的特征被认为是布尔特征,并离线用作统计学习器的输入;而当组合是动态的(动态命题化)时,特征构造和概率工具被组合成一个过程。在本文中,我们提出了一种选择性命题化方法,搜索的最佳的一组关系的功能,以使用的概率学习,以最小化损失函数。新的命题化方法已与随机子空间集成方法相结合。在真实数据集上的实验表明了该方法的有效性。
2013-11-15 cs.AI cs.LG
Reward-Sharing Relational Networks in Multi-Agent Reinforcement Learning as a Framework for Emergent Behavior
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
在这项工作中,我们将“社会”的相互作用,通过用户定义的关系网络的MARL设置和检查的影响,代理代理关系的崛起的紧急行为。利用社会学和神经科学的见解,我们提出的框架模型代理关系使用的概念奖励共享关系网络(RSRN),其中网络边权重作为衡量一个代理的成功投资(或“关心”)另一个。我们构造关系奖励作为RSRN交互权重的函数,通过多智能体强化学习算法来集体训练多智能体系统。针对具有不同关系网络结构(例如,利己主义、社群主义和威权主义网络)。我们的研究结果表明,奖励分享关系网络可以显着影响学习行为。我们认为RSRN可以作为一个框架,不同的关系网络产生不同的涌现行为,往往类似于这种网络的直觉社会学的理解。
2022-07-14 cs.AI cs.MA cs.SI
Tell me why! Explanations support learning relational and causal structure
DeepMind(深度思维)
推理世界的抽象关系和因果结构是学习代理的主要挑战。对人类来说,语言-特别是以解释的形式-在克服这一挑战方面起着相当大的作用。在这里,我们证明了语言可以在复杂环境中为深度RL代理发挥类似的作用。虽然代理通常很难获得关系和因果知识,但通过训练他们预测语言描述和解释来增加他们的经验可以克服这些限制。我们表明语言可以帮助智能体学习具有挑战性的关系任务,并研究语言的哪些方面有助于其益处。然后,我们表明,解释可以帮助代理推断不仅关系,而且因果结构。语言可以塑造智能体从模糊的、因果混淆的训练中概括分布外的方式,解释甚至允许智能体学习执行实验干预以识别因果关系。我们的研究结果表明,语言描述和解释可能是提高智能体学习和泛化能力的有力工具。
2022-05-25 cs.AI cs.LG stat.ML
Dissociation and Propagation for Approximate Lifted Inference with Standard Relational Database Management Systems
Carnegie Mellon University(卡内基梅隆大学);University of Washington(华盛顿大学)
大数据集上的概率推理是一个具有挑战性的数据管理问题,因为精确推理通常是P-困难的,并且目前最常用基于采样的方法近似解决。本文提出了一种替代方法的近似评估的合取查询与标准的关系数据库:在我们的方法中,每个查询完全在数据库引擎评估一个固定数量的查询计划,每个提供一个上限的真实概率,然后采取他们的最小值。我们提供了一个算法,考虑到重要的模式信息,枚举所有可能的计划中只有最小的必要计划。重要的是,该算法是所有已知的PTIME自连接自由合取查询的严格推广:当且仅当我们的算法返回一个单一的计划时,查询在PTIME中。此外,我们的方法是一个家庭的有效的排名方法从图超图的推广。我们还采用了三种关系型查询优化技术来快速评估所有必要的计划。我们给我们的方法进行了详细的实验评估,并在这个过程中,提供了一种新的思路的概率方法的非概率方法的查询答案排名的价值。我们还注意到,本文中开发的技术立即适用于解除推理统计关系模型,因为解除推理对应于PTIME计划的概率数据库。
2016-06-14 cs.AI cs.DB
Emergent Relational Order in LLM Agent Societies: From Collective Affect to Authority Stratification
Renmin University of China(中国人民大学);Beihang University(北京航空航天大学);Minzu University of China(民族大学)
基于情感控制理论、社会认同理论和涂尔干集体情感,提出CAREB-MAS多智能体框架,通过长期模拟自发再现差序格局的五种核心现象,支持将差序格局解释为社会机制的结构敏感性涌现结果。
2026-06-24 cs.AI cs.MA
General-Purpose MCMC Inference over Relational Structures
诸如记录链接和多目标跟踪之类的任务,涉及到重建一些观测数据的基础对象集,对于概率推理来说特别具有挑战性。最近的工作已经实现了高效和准确的推理,这些问题使用马尔可夫链蒙特卡罗(MCMC)技术与定制的建议分布。目前,实现这样的系统需要对特定于特定应用的MCMC状态表示和接受概率计算进行编码。另一种方法,我们追求在本文中,是使用一个通用的概率建模语言(如博客)和一个通用的大都会黑斯廷斯MCMC算法,支持用户提供的建议分布。我们的算法获得的灵活性,通过使用MCMC状态,只有部分描述的可能的世界,我们提供的条件下,MCMC在部分世界产生正确的答案查询。我们还展示了如何使用特定于上下文的贝叶斯网络来识别接受概率中的因素,这些因素需要针对给定的提议移动进行计算。一个引文匹配任务的实验结果表明,我们的通用MCMC引擎与特定应用程序的系统相比毫不逊色。
2012-06-27 cs.AI
SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents
Harbin Institute of Technology(哈尔滨工业大学);Shanghai AI Laboratory(上海人工智能实验室);Tongji University(同济大学);Xiamen University(厦门大学);Fudan University(复旦大学);Shanghai Jiao Tong University(上海交通大学);The Chinese University of Hong Kong(香港中文大学)
提出SubtleMemory基准,通过构建关系控制的潜在语义伪影并嵌入用户-智能体交互历史,评估长时程AI智能体在后续查询中恢复分布式关系结构的能力。
2026-10-07 cs.AI cs.CL
An asymptotic analysis of probabilistic logic programming, with implications for expressing projective families of distributions
LMU München(慕尼黑大学)
概率逻辑编程是统计关系型人工智能的重要组成部分,其中将逻辑和概率方法结合在一起,在不确定性环境中推理和学习关系域。然而,跨可变域大小的统计关系表示的行为是复杂的,并且将推理和学习扩展到大型域仍然是一个重大挑战。近年来,域大小依赖、提升推理和从抽样子群体中学习之间出现了联系。统计关系表示的渐近行为已经受到审查,和投影被调查的最强形式的域大小的依赖,其中查询边际是完全独立的域大小。在这篇文章中,我们证明了每一个概率逻辑程序下的分布语义是渐近等价于一个非循环的概率逻辑程序只包括确定条款的概率事实。我们的结论是,每一个概率逻辑程序诱导一个投影族的分布,实际上是处处等价于一个程序从这个片段,我们调查的后果,为投影族的分布概率逻辑程序表示。为了方便应用的经典结果从有限模型理论,我们引入了抽象的分布语义,定义为一个任意的逻辑理论概率事实。这弥合了与概率逻辑编程基础的分布语义之间的差距。在这种表示中,确定性逻辑程序对应于无量词理论,使得渐近量词消去结果可用于概率逻辑编程的设置。本文件正在考虑被TPLP接受。
2021-08-18 cs.AI cs.LO cs.PL
Probabilistic Agent Programs
代理是小程序,它们根据环境或状态的变化自主采取行动。在过去的几年里,有越来越多的努力来构建可以与其他代理交互和/或协作的代理。在这些努力中,Eiter,Subrahmanian和Pick(AIJ,108(1-2),第179-255页)已经展示了如何在遗留代码之上构建代理。然而,他们的框架假设代理状态是完全确定的,并且代理状态中没有不确定性。因此,他们的框架允许代理开发人员指定当代理100%确定世界状态中的真/假时,他的代理将如何反应。在本文中,我们提出了一个\emph{probabilistic agent program}的概念,并显示如何,给定一个任意程序编写的任何命令式语言,我们可以建立一个声明性的“概率”代理程序的顶部,它支持决策的存在不确定性。我们提供了两种替代语义的概率代理程序。我们表明,第二种语义,虽然更认识吸引力,是更复杂的计算。我们提供了完善的算法来计算\emph{positive}代理程序的语义。
1999-10-21 cs.AI
DRG-MAPPO: Hierarchical Dynamic Role-Graph Multi-Agent Reinforcement Learning for Cooperative Air Combat
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, CASIA(中国科学院自动化研究所复杂系统认知与决策智能重点实验室);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
提出DRG-MAPPO框架,结合图关系建模与动态角色分配,实现协同空战中的战术协同,达到87%的胜率。
2026-09-11 cs.AI
A Multi-Agent System for Semantic Mapping of Relational Data to Knowledge Graphs
University Ss. Cyril and Methodius(西里尔和美多修大学)
本文提出一种基于多个LLM智能体的多智能体系统,在关系数据库表之上构建语义层,将表和列映射到Schema.org术语,实现多数据库知识图谱集成,并在多个领域取得超过90%的映射准确率。
2025-11-09 cs.AI cs.DB
From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
本研究针对现有LLM智能体不确定性量化方法忽略长程依赖的问题,提出RUPA框架,通过建模轨迹图的关系依赖传播不确定性,在多个基准上实现更优性能。
2026-08-20 cs.AI cs.CL
PASemiQA: Plan-Assisted Agent for Question Answering on Semi-Structured Data with Text and Relational Information
Ant Group(蚂蚁集团)
提出PASemiQA,一种利用规划辅助的LLM智能体,联合处理半结构化数据中的文本与关系信息,以提升问答准确性和可靠性。
2025-02-28 cs.AI cs.CL
Nested Reasoning About Autonomous Agents Using Probabilistic Programs
Northeastern University(东北大学);Brigham Young University(杨百翰大学)
随着自主智能体变得越来越普遍,它们最终将不得不对其他智能体的计划进行推理,这被称为心理理论推理。我们开发了一个规划推理框架,在该框架中,代理执行嵌套模拟,以在线方式推理其他代理的行为。作为这个框架的一个具体应用,我们使用概率程序来模拟一个高不确定性的追求-逃避游戏的变种,其中一个代理必须对其他代理的计划进行推断,以制定反计划。我们的概率程序结合了各种复杂的原语,如视野计算和路径规划,这使我们能够模拟准现实的情况下,在计算上听话的方式。我们进行了广泛的实验评估,建立了各种合理的行为,并量化如何分配计算嵌套的层次影响我们的估计方差。
2020-03-04 cs.AI
Investigating Relational State Abstraction in Collaborative MARL
University of Warwick(华威大学);Nanyang Technological University(南洋理工大学)
本文提出基于空间关系的状态抽象方法MARC,通过图神经网络编码空间归纳偏置,在六个协作任务中显著提升样本效率和渐近性能,无需复杂设计即可实现高效泛化。
2024-12-19 cs.AI cs.LG cs.MA
Inferring Agents Preferences as Priors for Probabilistic Goal Recognition
Hewlett Packard(惠普公司);Sapienza University of Rome(罗马大学);Pontifical Catholic University of Rio Grande do Sul(南里奥格兰德天主教大学)
最近的目标识别方法已经利用规划地标以低运行时间成本实现高精度。然而,这些方法缺乏概率解释。此外,虽然目标识别的大多数概率模型假设识别器可以访问表示例如代理的偏好的先验概率,但实际上没有目标识别方法实际上在实践中使用先验,只是假设统一的先验。在本文中,我们提供了一个模型来扩展基于地标的目标识别与概率解释,并允许估计这种先验概率和使用它来计算后验概率后,观察到的代理人的重复相互作用。我们的经验表明,我们的模型不仅可以有效地识别目标,但也成功地推断出正确的先验概率分布代表代理的偏好。
2021-02-23 cs.AI
Relational Forward Models for Multi-Agent Learning
DeepMind(深度思维);Imperial College London(帝国理工学院)
多智能体系统的行为动力学具有丰富而有序的结构,可以利用这些结构来理解这些系统,并改进人工智能体如何学习在其中操作。在这里,我们介绍了用于多智能体学习的关系前向模型(RFM),该网络可以学习对多智能体环境中智能体的未来行为进行准确预测。由于这些模型对环境中存在的离散实体和关系进行操作,因此它们产生了可解释的中间表示,这些中间表示提供了对驱动代理行为的原因以及哪些事件介导了社会互动的强度和效价的见解。此外,我们表明,嵌入RFM模块内代理的结果更快的学习系统相比,非增强基线。随着越来越多的自治系统,我们开发和互动,成为多智能体的性质,开发更丰富的分析工具,以表征如何以及为什么代理决策是越来越必要的。此外,开发快速安全地学会相互协调以及与共享环境中的人类协调的人工智能至关重要。
2018-09-28 cs.AI cs.LG cs.MA
Relational Multi-Agent Reinforcement Learning for Dynamic Pricing in High-Speed Railway Markets
Department of Technologies and Information Systems, Universidad de Castilla-La Mancha(卡斯蒂利亚-拉曼恰大学技术与信息系统系);Warwick Manufacturing Group, University of Warwick(华威大学华威制造集团)
针对高铁市场部分可观测、禁直接通信的动态定价难题,提出实体图建模与改进多智能体强化学习算法,较基线方法提升收益与稳定性。
2026-07-07 cs.AI cs.LG cs.MA
AskDB: An LLM Agent for Natural Language Interaction with Relational Databases
IT Operations, Mantu Group(Mantu集团信息技术部);Faculty of Engineering, Vietnamese-German University(越南-德国大学工程学院);Computer Science and Information Engineering, National Taiwan University(国立台湾大学计算机科学与工程系)
AskDB是一种基于大型语言模型的代理,通过自然语言实现对关系数据库的数据分析和管理操作,提供统一且智能的交互体验。
2025-11-20 cs.AI cs.DB
Probabilistic Models for Agents' Beliefs and Decisions
Stanford University(斯坦福大学)
智能系统的许多应用需要对领域中代理的心理状态进行推理。我们可能想推理一个智能体的信念,包括关于其他智能体的信念;我们也可能想推理一个智能体的偏好,以及他的信念和偏好如何与他的行为相关。我们定义了一个概率认知逻辑(PEL),其中的信念语句给出了一个正式的语义,并提供了一个算法,断言和查询的PEL公式在贝叶斯网络。然后,我们将展示如何通过将代理的决策过程建模为影响图并假设他的行为是理性的来推理代理的行为。然后,PEL可以用于从代理的观察到的动作推理到关于域的其他方面的结论,包括未观察到的域变量和代理的精神状态。
2013-01-16 cs.AI
Agent-Guided Relational Concept Discovery: Toward Interpretable Surgical Margin Assessment
Queen’s University(女王大学)
针对深度学习模型用于手术切缘评估时面临的泛化难及黑箱问题,提出代理引导的概念发现框架,直接从数据学习概念,经推理代理和知识图谱完善调整,在相关数据集和术中病例中提升了评估效果。
2026-07-24 cs.AI
Scalable Probabilistic Databases with Factor Graphs and MCMC
University of Massachusetts(马萨诸塞大学)
概率数据库在不确定数据的管理和理解中起着至关重要的作用。然而,将概率纳入不完整数据库的语义中带来了许多挑战,迫使系统牺牲建模能力,可扩展性,或限制它们关闭的关系代数公式的类别。我们提出了一种替代方法,其中底层的关系数据库总是代表一个单一的世界,和一个外部因素图编码的分布在可能的世界,马尔可夫链蒙特卡罗(MCMC)推理,然后使用恢复这种不确定性所需的保真度水平。我们的方法可以有效地评估任意查询的概率数据库与任意依赖关系表示的图形模型的结构,在推理过程中发生变化。MCMC采样通过假设{ \em修改}到可能的世界而不是从头开始生成整个世界来提供效率。然后,在世界发生变化的部分上运行查询,避免了在每个采样世界上运行完整查询的繁重成本。这项工作的一个重要创新是MCMC采样和物化视图维护技术之间的连接:我们发现经验,使用视图维护技术是几个数量级的速度比天真地查询每个采样的世界。我们还展示了我们的系统的能力,回答关系查询与聚合,并通过使用并行化展示了额外的可扩展性。
2010-05-11 cs.AI cs.DB
Relational Neural Machines
University of Florence(佛罗伦萨大学);University of Siena(锡耶纳大学)
深度学习已被证明在有大量训练数据可用的几个任务中取得了令人印象深刻的结果。然而,深度学习只关注预测的准确性,忽略了导致决策的推理过程,这是生命关键应用中的一个主要问题。概率逻辑推理允许利用统计知识和特定领域的专业知识在不确定性下进行推理,但其可扩展性和与处理传感数据的层的脆弱集成极大地限制了其应用。出于这些原因,将深度架构和概率逻辑推理相结合是开发在复杂环境中运行的智能代理的基本目标。本文介绍了关系神经机,一种新的框架,允许联合训练的参数的学习者和一阶逻辑为基础的推理。关系神经机能够在纯子符号学习的情况下从监督数据恢复经典学习,并且在纯符号推理的情况下恢复马尔可夫逻辑网络,同时允许联合训练并在混合学习任务中执行推理。设计适当的算法解决方案,使学习和推理在大规模问题中易于处理。实验结果表明,在不同的关系任务有希望的结果。
2020-02-06 cs.AI cs.LG
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
Beyond Outcomes: Dual-View Relational Learning for Efficient Agent Benchmarking
Hunyuan Team, Tencent(腾讯混元团队);Tsinghua University(清华大学)
针对智能体基准评估成本高的问题,提出DualViewEval方法,联合利用结果与过程关系压缩基准,在五个基准上以20个任务实现24-40倍压缩并提升预测精度,同时揭示智能体能力差异。
2026-10-06 cs.AI cs.CL
Generalization to Novel Objects using Prior Relational Knowledge
Intel AI Lab(英特尔人工智能实验室)
为了解决新环境中的任务,包括在训练过程中看不见的对象,代理必须推理有关这些对象及其关系的先验信息。我们介绍了之前的知识图谱网络,一个架构相结合的先验信息,结构作为一个知识图谱,与一个符号解析的视觉场景,并证明这种方法是能够适用于新的对象,而基线算法失败的学习关系。消融实验表明,代理地面的知识图谱关系的语义相关的行为。在推箱子游戏和更复杂的吃豆人环境中,我们的网络也比基线更有效,在5- 10倍的剧集中达到相同的性能。一旦用我们的方法训练了代理,我们就可以通过以语义上有意义的方式修改知识图谱来操纵代理行为。这些结果表明,我们的网络提供了一个框架,代理的原因结构化知识图谱,同时仍然利用梯度为基础的学习方法。
2019-09-20 cs.AI cs.CL
Sophrosyne: Agentic Exploration of Relational Data Systems Needs Moderation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对LLM驱动的Text2SQL智能体在探索数据系统时过度探索的问题,提出Sophrosyne环境,通过增强API响应中的指令来引导探索,减少过度探索并提升SQL生成准确性。
2026-05-29 cs.AI cs.DB
A Complete Characterization of Projectivity for Statistical Relational Models
Aalborg University(奥尔堡大学);Simon Fraser University(西蒙弗雷泽大学)
关系数据的生成概率模型由不同大小的域上的关系结构的概率分布族组成。在大多数现有的统计关系学习(SRL)框架中,这些模型在大小为$k<n$的诱导子结构上的大小- $n$结构的分布的边缘等于大小- $k$结构的给定分布的意义上不是投射的。投射性是非常有益的,因为它可以直接从子采样的关系结构中进行提升推理和统计一致性学习。在早期的工作中,一些简单的片段SRL语言已被确定为代表投射模型。然而,没有完整的表征,并表示框架的投影模型已经给出。在本文中,我们填补了这一空白:利用无限可交换数组的表示定理,我们引入了一类有向图形潜变量模型,精确对应于一类投影关系模型。作为一个副产品,我们还获得了一个表征时,一个给定的分布在尺寸-$k$结构是统计频率分布的尺寸- $k$子结构在大得多的尺寸- $n$结构。这些结果揭示了新的光到旧的开放问题,如何应用Halpern等人。的“随机世界方法”的概率推理一般关系签名。
2020-06-22 cs.AI cs.LG stat.ML