Strategic Argumentation Dialogues for Persuasion: Framework and Experiments Based on Modelling the Beliefs and Concerns of the Persuadee
University College London（伦敦大学学院）；Scribe Labs（Scribe实验室）；Cardiff University（卡迪夫大学）
说服力是人类智力的一个重要而复杂的方面。如果通过对话进行，提出好的论点，从而提出反驳，显然对成功说服的能力有重大影响。在特定的对话中，决定一个论点是否好的两个关键因素是目标受众对论点和反论点的信任程度，以及论点对目标受众关注的问题的影响。在本文中，我们提出了一个框架，建模说服他们的信念和关注，并利用这些模型在优化选择的说服对话中移动。我们的方法是基于蒙特卡罗树搜索，它允许实时优化。我们提供了一项与人类参与者的研究的实证结果，表明我们基于该技术的自动说服系统优于在其策略中不考虑信念和关注的基线系统。
2021-01-28 cs.AI
Using Belief Functions for Uncertainty Management and Knowledge Acquisition: An Expert Application
University of Guelph（圭尔夫大学）
本文介绍了最近的工作正在进行的项目在医学诊断圭尔夫大学。一个领域的专家是不是很好地查明一个单一的疾病的结果进行了探讨。在线医疗数据可在相对较短的时间内获得。信度函数（Dempster-Shafer理论）首先从数据中提取，然后根据专家意见进行修改。这样做的几种方法进行了比较，结果表明，一个配方在统计上优于其他，包括谢弗建议的方法。专家的意见和统计得出的信息之间的依赖性症状进行了比较。讨论了使用不确定性管理技术作为从数据中获取知识获取的方法的好处。
2013-03-27 cs.AI
Tyche: A library for probabilistic reasoning and belief modelling in Python
The University of Western Australia（西澳大利亚大学）
本文介绍了Tyche，这是一个Python库，通过构建、查询和学习信念模型来促进不确定世界中的概率推理。Tyche使用任意描述逻辑（ADL），这在其评估中提供了优于其他描述逻辑的计算优势。Tyche信念模型可以通过定义个人的类别，关于他们的概率信念（概念）以及他们之间的概率关系（角色）来简洁地创建。我们还介绍了一种方法的观察传播，以促进学习复杂的ADL观察。一个示范的Tyche预测匿名消息的作者，并从匿名消息中提取作者的写作倾向，提供。Tyche有潜力帮助开发专家系统、知识提取系统和代理，以利用不完整和概率信息进行游戏。
2022-08-21 cs.AI cs.LO
Enrichment of Qualitative Beliefs for Reasoning under Uncertainty
Huazhong Univ of Sci. and Tech.（华中科技大学）；University of New Mexico（新墨西哥大学）；ONERA（法国航空航天研究院）
本文论述了丰富的定性信念功能下的不确定性推理和组合信息表示的自然语言通过语言标签。在这项工作中，两种可能的丰富（定量和/或定性）的语言标签被认为是和运营商（加法，乘法，除法等）处理他们提出和解释。我们将它们表示为$qe$ -算子，$qe$代表“定性富集”算子。这些算子可以看作是最近在DSmT中提出的经典定性算子（$q$ -算子）的直接推广。$q$ -算子也在本文中进行了详细的证明。语言标记的数量富集是$[0,\infty)$中的一个数值支持度，而语言标记的质量富集是在一个有限的有序语言值集合中取值。定量富集不如定性富集精确，但预计更接近人类专家在表达具有支持度的语言标签时可以轻松提供的内容。给出了两个简单的例子来说明如何融合的定性丰富的信念分配。
2007-09-11 cs.AI
Belief-Guided Decision Making with Uncertainty Gating in the Game of Go
本文针对计算机围棋消费级硬件推理瓶颈与模型幻觉问题，提出信念引导架构，解耦策略头与信念头，结合记忆机制与门控，在有限硬件上实现职业级对弈
2026-09-30 cs.AI
The Belief-Desire-Intention Ontology for modelling mental reality and agency
CNR - Institute of Cognitive Sciences and Technologies（CNR认知科学与技术研究所）；CNR - Institute for Research on Population and Social Policies（CNR人口与社会政策研究所）；CNR - Research Institute on Sustainable Economic Growth（CNR可持续经济增长研究所）；University of Bologna - Department of Philosophy（博洛尼亚大学哲学系）
本文提出了一种形式化的BDI本体，通过模块化设计模式实现信念、愿望、意图及其动态关系，结合LLMs和Semas平台验证其在认知基础和语义可互操作性中的应用。
2026-08-11 cs.AI
Distill-Belief: Closed-Loop Inverse Source Localization and Characterization in Physical Fields
SEMT, University of Bristol, Bristol, UK（SEMT，布里斯托大学，布里斯托，英国）；LUCAS, Loughborough University, Loughborough, UK（LUCAS，洛里冈大学，洛里冈，英国）
Distill-Belief通过分离正确性与效率，利用粒子滤波教师和学生框架，减少传感成本并提升定位准确性，同时抑制奖励黑客问题。
2026-04-28 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
Adaptive Belief Discretization for POMDP Planning
University of Oslo（奥斯陆大学）
部分可观测马尔可夫决策过程（POMDP）是一个广泛使用的模型来表示环境和智能体的相互作用，在状态不确定性。由于代理不观察环境状态，其不确定性通常通过概率信念表示。虽然可能信念的集合是无限的，使得精确规划变得棘手，但信念空间的复杂性（以及规划复杂性）由其覆盖数表征。许多POMDP求解器统一离散的信念空间，并给出规划误差的覆盖数（通常是未知的）。相反，我们提出了一个自适应的信念离散化方案，并给出其相关的规划误差。此外，我们描述的覆盖数相对于POMDP参数。这允许我们在规划器上指定精确的内存需求，需要绑定价值函数错误。然后，我们提出了一种新的，计算效率高的求解器使用该计划。我们证明了我们的算法在各种情况下与最先进的算法具有很强的竞争力。
2021-04-15 cs.AI
Contradiction measures and specificity degrees of basic belief assignments
University of New Mexico（新墨西哥大学）；University of Rennes 1（雷恩第一大学）；ENSTA Bretagne（布列塔尼国立高等先进技术学院）
在信度函数理论中，引入了许多不确定性的度量。然而，并不总是容易理解这些措施真正试图代表什么。本文重新解释了信度函数理论中的一些不确定性度量。我们提出了一些利益和现有的措施的缺点。在这些观察中，我们引入了一个矛盾的度量。因此，我们提出了一定程度的非特异性和贝叶斯的质量。我们提出了一个程度的特异性的基础上的质量和它的最具体的相关质量之间的距离。我们还展示了如何使用特异性的程度来衡量融合规则的特异性。文中给出了简单例子的说明。
2011-09-16 cs.AI
Deliberative Reasoning Network: An Uncertainty-Driven Paradigm for Belief-Tracked Inference with Pretrained Language Models
DRN通过不确定性最小化范式提升预训练语言模型的逻辑推理能力，实现高准确率和强泛化性能。
2026-01-21 cs.AI
A Qualitative Linear Utility Theory for Spohn's Theory of Epistemic Beliefs
University of Kansas School of Business（堪萨斯大学商学院）
在本文中，我们制定了一个定性的“线性”效用理论的彩票中的不确定性表示定性使用Spohnian怀疑功能。我们认为，一个理性的决策者面对一个不确定的决策问题，其中的不确定性是定性表达的行为，以最大化“定性预期效用。“我们对定性效用的公理化类似于冯·诺依曼和摩根斯坦为概率彩票开发的公理化。我们比较我们的结果与其他最近的结果在定性决策。
2013-01-16 cs.AI
BayesEvolve: Explicit Belief States for Autonomous Scientific Discovery
Pfizer（辉瑞公司）；Independent Researcher（独立研究员）；University of California San Diego（加州大学圣地亚哥分校）；Institute of Humanities and Social Science Data, Fudan University（复旦大学人文社会科学数据研究院）
提出BayesEvolve框架，通过显式不确定性感知信念状态指导实验，在BBOB黑箱优化任务上比记忆引导基线更高效。
2026-06-29 cs.AI
Conservative, Proportional and Optimistic Contextual Discounting in the Belief Functions Theory
Université de Technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）
信息折扣在信度函数理论和信息融合中起着重要的作用。然而，无论是经典的统一折扣还是上下文都不能对某些用例进行建模，特别是时间折扣。在这篇文章中，新的上下文折扣方案，保守，比例和乐观的，建议。这些贴现业务的一些属性进行检查。经典的折扣是这些计划的一个特殊情况。两个激励情况下进行了讨论：建模的来源可靠性和应用程序的时间折扣。
2013-12-19 cs.AI
Uncertainty measurement with belief entropy on interference effect in Quantum-Like Bayesian Networks
Northwestern Polytechnical University（西北工业大学）；China Equipment System Engineering Company（中国装备系统工程公司）
社会困境一直被认为是进化博弈论的精髓，其中囚徒困境博弈是对合作问题最著名的隐喻。最近的研究发现，人们的行为违反了这类游戏中的“确定性原则”。经典的概率方法很难解释人们行为的潜在机制。本文提出了一种新的类量子贝叶斯网络来适应这一悖论现象。这种特殊的网络可以考虑干扰，这可能是一种有效的方式来描述底层机制。在此基础上，引入了信度熵，即邓熵，并提出了信度距离的概念。通过实证数据的检验，证明了该模型的预测性和有效性。
2017-09-08 cs.AI math.PR
PODDP: Partially Observable Differential Dynamic Programming for Latent Belief Space Planning
自主智能体观察世界状态的能力有限。部分可观测马尔可夫决策过程（POMDPs）对世界状态不确定性下的规划问题进行了形式化建模，但具有连续动作和非线性动力学特性的POMDPs适合于机器人应用，其求解具有挑战性。在本文中，我们提出了一个有效的差分动态规划（DDP）算法的信任空间规划POMDP的不确定性在一个离散的潜在状态，连续的状态，行动，观察，和非线性动力学。这种表示允许规划的动态轨迹是敏感的离散的潜在世界状态的结构化不确定性。我们开发了动态规划技术，以优化一个可能的观测和信念空间轨迹树的应急计划，并得出一个层次版本的算法。我们的方法适用于成本或回报函数不确定的问题（例如，目标或障碍的配置），动态的不确定性（例如，混合系统的动态模式），以及交互的不确定性，其中其他代理的行为取决于潜在的意图。基准测试表明，我们的算法优于流行的启发式方法规划下的不确定性，从一个自主变道任务的结果表明，我们的算法可以合成强大的互动轨迹。
2019-12-14 cs.AI cs.RO
Seeing is Believing: Belief-Space Planning with Foundation Models as Uncertainty Estimators
Northeastern University（东北大学）；MIT（麻省理工学院）；Princeton University（普林斯顿大学）
本文提出一种利用VLM估计不确定性并构建符号信念表示的新颖框架，结合信念空间规划器生成包含战略性信息收集的规划，有效解决开放世界中部分可观测的机器人移动操作问题。
2025-04-04 cs.AI cs.RO
A Survey on Uncertainty Reasoning and Quantification for Decision Making: Belief Theory Meets Deep Learning
Virginia Tech（弗吉尼亚理工大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；US Army Research Laboratory（美国陆军研究实验室）；University of the District of Columbia（哥伦比亚特区大学）；University of Oslo（奥斯陆大学）
对不确定性的深入理解是在不确定性下做出有效决策的第一步。深度/机器学习（ML/DL）已被广泛用于解决涉及处理高维数据的复杂问题。然而，与其他人工智能（AI）领域相比，ML/DL中对不同类型的不确定性进行推理和量化以实现有效决策的探索要少得多。特别是，自20世纪60年代以来，KRR一直在研究信念/证据理论，以推理和测量不确定性，以提高决策效率。我们发现，只有少数研究利用ML/DL中信念/证据理论中成熟的不确定性研究来解决不同类型不确定性下的复杂问题。在这篇调查论文中，我们讨论了几种流行的信念理论及其处理不确定性原因和类型并对其进行量化的核心思想，以及它们在ML/DL中的适用性。此外，我们讨论了在深度神经网络（DNN）中利用信念理论的三种主要方法，包括证据DNN，模糊DNN和粗糙DNN，根据其不确定性原因，类型和量化方法以及它们在不同问题领域的适用性。基于我们的深入调查，我们讨论了见解，经验教训，当前最先进的桥接信念理论和ML/DL的局限性，最后，未来的研究方向。
2022-06-14 cs.AI cs.IT cs.LG
Towards a General-Purpose Belief Maintenance System
University of Illinois（伊利诺伊大学）
目前由概率论和不确定性提出的理论与人工智能研究的需要之间存在差距。这些理论主要解决专家系统的需要，使用的知识结构，必须预先编译，并保持静态的结构在运行时。许多人工智能系统需要动态添加和删除当前知识结构的部分的能力（例如，为了检验不同因果理论下的世界是什么样子）。这需要比现有的不确定性系统显示更多的灵活性。此外，许多人工智能研究人员只对使用“概率”作为获得排序的手段感兴趣，而不是试图得出一个准确的概率描述。这表明需要的系统，强调易用性，不需要广泛的概率信息时，不能（或不希望）提供这样的信息。本文试图通过研究出现的控制问题，独立于特定的不确定性演算，来帮助调和不确定性方法与许多人工智能系统需求之间的差距。当一个人试图满足这些需求时。真理维护系统已被广泛用于解决问题的任务，以帮助组织一组事实，并检测世界的信念状态的不一致性。这些系统维护一组真/假命题及其相关的依赖关系。然而，经常会出现这样的情况，即我们对某些事实不确定，或者我们从现有信息中得出的结论有些不确定。非单调TMS [12]是在所有事实都不知道的情况下进行推理的一种尝试，但它没有考虑到信念的程度以及现有证据如何结合起来加强特定信念。本文讨论的问题，概率推理，因为它适用于真值维护系统。它描述了一个信念维护系统，该系统以与TMS管理一组真/假命题大致相同的方式管理当前信念集。如果系统知道对事实的信念在某种程度上取决于对事实2的信念，…
2013-03-27 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
Implementing a Bayesian Scheme for Revising Belief Commitments
Naval Research Laboratory（海军研究实验室）；JAYCOR（JAYCOR公司）；Defense Research Establishment Atlantic（大西洋国防研究机构）
我们以前对复杂船舶图像进行分类的工作[1，2]已经发展成为开发用于构建和解决通用分类问题的软件工具的努力。管理与特征数据和其他证据相关的不确定性是这项工作中的一个重要问题。管理不确定性的贝叶斯技术[7，12，13]已被证明对于管理分类问题解决的几个信念维护要求是有用的。其中一个要求是需要对所相信的东西作出定性的解释。Pearl [11]通过计算他所谓的信念承诺来解决这一需求，信念承诺是给定可用证据的所有假设变量的最可能实例。在计算信念承诺之前，Pearl的过程的直接实现涉及到找到一些通常困难的优化问题的解析解。我们描述了一个有效的实现这个过程中使用张量积，解决了这些问题，枚举，避免了个案分析的需要。因此，该程序在一般情况下使用起来更加实用。
2013-03-27 cs.AI
Reasoning under Uncertainty: Some Monte Carlo Results
George Mason University（乔治梅森大学）
一系列的蒙特卡洛研究进行比较的行为下的不确定性推理的一些替代程序。几个贝叶斯，线性模型和默认推理程序的行为进行了检查的背景下，不断增加的校准误差水平。最有趣的结果是，贝叶斯程序倾向于输出比其他技术更极端的后验信念值（后验信念接近0.0或1.0），但线性模型相对不太可能输出对错误结论的强有力支持。此外，会计证据项目之间的概率依赖性是重要的贝叶斯和线性更新程序。
2013-03-20 cs.AI
Adaptive mine planning under geological uncertainty: A POMDP framework for sequential decision-making
Geology & Sustainable Mining Institute (GSMI), University Mohammed VI Polytechnic (UM6P)（地质与可持续采矿研究所（GSMI），穆罕默德六世理工学院（UM6P））；Department of Earth and Planetary Sciences, Stanford University（地球与行星科学系，斯坦福大学）
本文提出将采矿调度建模为部分可观测马尔可夫决策过程，通过混合SA-POMDP架构实现自适应决策，减少预期现实差距并提升净现值。
2026-05-13 cs.AI
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
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
GammaZero: Learning To Guide POMDP Belief Space Search With Graph Representations
GammaZero通过图表示框架学习引导POMDP规划，利用统一的图信念表示实现跨问题规模的泛化，通过图神经网络和解码器架构从专家示范中学习价值函数和策略，指导蒙特卡洛树搜索。
2026-03-29 cs.AI
Towards conservative inference in credal networks using belief functions: the case of credal chains
Eindhoven University of Technology, The Netherlands（埃因霍温理工大学，荷兰）
本文提出基于Dempster-Shafer理论在credal chains中传播不确定性的新框架，通过信念与似然函数高效生成保守区间，并对比经典敏感性分析揭示其优势与局限。
2025-07-10 cs.AI math.PR
A Survey on Hypergame Theory: Modelling Misaligned Perceptions and Nested Beliefs for Multi-Agent Systems
本文综述了超博弈理论在多智能体系统中的应用，分析了其建模错位感知与嵌套信念的能力及现有研究中的趋势与挑战。
2026-07-16 cs.AI cs.MA
A Structured, Probabilistic Representation of Action
Stanford University（斯坦福大学）
当智能体在现实世界中设计执行计划时，他们面临两种重要形式的不确定性：他们永远无法完全了解世界的状态，并且他们没有完全的控制权，因为他们的行动的效果是不确定的。虽然大多数经典的规划方法避免明确的不确定性推理，我们认为，不确定性应该明确表示和推理。我们开发了一个概率表示的状态和行动，基于信念网络。我们定义了条件信念网（CBN），以捕捉一个动作对世界状态的影响的概率依赖性。我们还使用CBN来表示环境中实体之间的内在关系，这些关系在状态之间持续存在。我们提出了一个简单的投影算法来构建一个行动的后续状态的信念网络，使用环境CBN模型来推断间接影响。我们讨论了如何定性方面的信念网络和CBN使他们适合的各个阶段的问题解决过程中，从模型构建规划算法的设计。
2013-02-27 cs.AI
Updating with Belief Functions, Ordinal Conditioning Functions and Possibility Measures
Universite Paul Sabatier（保尔·萨巴蒂埃大学）
本文讨论了当一个新的信息，这可能是弥漫着不确定性，变得可用时，如何更新的不确定性度量表示的知识状态。这个问题被认为是在不同的框架，即：Shafer的证据理论，Zadeh的可能性理论，Spohn的认识状态理论。在前两种情况下，类似的杰弗里的规则的条件介绍和讨论。强调了Spohn模型与可能性理论的关系，并将Spohn更新规则与可能性理论中的Jeffrey类条件作用规则进行了对比。最近的结果Shenoy组合的顺序条件函数重新解释的语言的可能性理论。它表明，谢诺伊的组合规则有一个众所周知的可能性对应。
2013-03-27 cs.AI
Agent-BRACE: Decoupling Beliefs from Actions in Long-Horizon Tasks via Verbalized State Uncertainty
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Microsoft Research（微软研究院）
Agent-BRACE 通过解耦信念状态模型与策略模型，利用强化学习优化，在长 horizon 部分可观测任务中提升性能，实现上下文窗口恒定且任务相关信息保留。
2026-05-12 cs.AI cs.CL
Adaptive Information Belief Space Planning
Technion - Israel Institute of Technology（以色列理工学院）；Department of Aerospace Engineering（航空航天工程系）；Technion Autonomous Systems Program（以色列理工学院自主系统项目）
对不确定性的推理在许多现实生活中的自治系统中至关重要。然而，目前最先进的规划算法不能明确地推理不确定性，或者这样做具有很高的计算负担。在这里，我们专注于有效地做出明智的决策，使用明确处理不确定性的奖励函数。我们制定了一个近似，即一个抽象的观察模型，使用聚合方案，以减轻计算成本。我们推导出的预期信息理论的奖励函数的界限，因此，在价值函数。然后，我们提出了一种方法来细化聚合，以实现相同的动作选择的一小部分的计算时间。
2022-01-28 cs.AI cs.RO
The belief noisy-or model applied to network reliability analysis
Northwestern Polytechnical University（西北工业大学）；University of Rennes 1（雷恩第一大学）
贝叶斯网络（BN）知识工程的难点之一是条件概率表（CPT）的量化。CPT中包含的参数数量随着父变量的数量呈指数增长。最常见的解决方案是应用所谓的规范门。噪声或（NOR）门，它利用因果相互作用的独立性，提供了指定CPT所需的参数数量的对数减少。本文提出了一种基于信度函数理论的NOR模型的扩展--信度噪声OR（Belief Noisy-OR）。BNOR能够处理网络的偶然性和认识性不确定性。与NOR相比，在现有知识不确定的情况下，可以获得更丰富的信息，对决策有重要的参考价值。特别地，当不存在认知不确定性时，BNOR退化为NOR。此外，本文还提出了不同的BNOR结构，以满足工程师的不同需求。将BNOR模型应用于网络化系统的可靠性评估问题，证明了其有效性。
2016-06-03 cs.AI
IBBT: Informed Batch Belief Trees for Motion Planning Under Uncertainty
Georgia Institute of Technology（佐治亚理工学院）
本文提出IBBT算法，将不确定性运动规划分解为确定性采样建图与知情启发式信念树搜索，实现可收敛、可复用的任意时间增量规划，并在多环境中验证其更快且能找到非平凡规划。
2023-04-21 cs.AI cs.RO
Evaluating Theory of (an uncertain) Mind: Predicting the Uncertain Beliefs of Others in Conversation Forecasting
Khoury College of Computer Sciences（库理计算机学院）；Northeastern University（东北大学）
研究提出新任务评估心智理论中的不确定性，挑战语言模型在对话预测中量化他人信念的不确定性，实验显示LMs能解释7%方差但任务仍具挑战性。
2024-09-23 cs.AI cs.CL
Isopignistic Canonical Decomposition via Belief Evolution Network
University of Electronic Science and Technology of China（电子科技大学）；Institute of Fundamental and Frontier Science（基础与前沿研究院）；Vanderbilt University（范德堡大学）；School of Medicine（医学院）
本文提出基于信念演化网络的等概率承诺转换，并与超谨慎可转移信念模型结合建立新的典型分解，为统一概率论、Dempster-Shafer理论和可能性理论的信息处理提供理论基础。
2024-08-30 cs.AI
Message-Based Web Service Composition, Integrity Constraints, and Planning under Uncertainty: A New Connection
SAP Research（SAP研究院）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
由于最近的进展，AI规划已成为几个应用程序的基础技术。其中最突出的是在“能力”级别的自动Web服务组合（WSC），其中服务是根据本体概念的前提条件和效果来描述的。解决WSC规划的一个关键问题是，本体不仅是正式的词汇表，它们还公理化概念之间的可能关系。这样的公理对应于行动和变化文献中所谓的“完整性约束”，并且应用Web服务本质上是信念更新操作。信念更新所需的推理比本体本身的推理更难。在当前的规划工具中，对信念更新的支持是非常有限的。我们的第一个贡献包括在确定一个有趣的特殊情况下，WSC这是重要的，更容易处理。特殊情况下，我们称之为“前向效应”，其特征在于这样一个事实，即Web服务应用程序的每个分支都涉及至少一个由Web服务输出的新常量。我们表明，在这种情况下，信仰更新所需的推理简化为本体论本身的标准推理。这涉及并扩展了当前的“基于消息”的WSC概念，其中通过对单个消息的“局部性”的强（通常是隐含的或非正式的）假设来消除对信念更新的需要。我们澄清了计算性能的前向效应的情况下，并指出一个强有力的关系，规划的标准概念下的不确定性，建议后者的有效工具，可以成功地适应于解决前者。此外，我们确定了一个重要的子情况下，命名为“严格的前瞻性影响”，在不确定性下存在的实际编译到规划。这使我们能够利用现成的规划工具来解决基于消息的WSC的一般形式，涉及强大的本体，并需要推理的概念之间的部分匹配。我们提供…
2014-01-15 cs.AI
Integrating Belief Domains into Probabilistic Logic Programs
University of Ferrara（费拉拉大学）；Coherent Knowledge, Inc.（coherent knowledge 公司）
本文提出基于信念函数的容量逻辑程序，扩展分布语义以处理信念不确定性，提升概率逻辑程序在处理复杂不确定性问题中的能力。
2025-09-23 cs.AI cs.LO
Bridging Learned Visual Perception and Symbolic Belief-Space Planning
Technion - Israel Institute of Technology（以色列理工学院）
本文提出VLM作为概率接地器的新范式，将视觉-语言模型的谓词接地不确定性建模为符号状态上的概率分布，实现信念空间规划，在模拟家庭机器人环境中提升了鲁棒性和任务成功率。
2026-09-16 cs.AI cs.RO
Hypothesis-based Belief Planning for Dexterous Grasping
University of Birmingham（伯明翰大学）；Queensland University of Technology（昆士兰科技大学）
信仰空间规划是一个可行的替代形式化部分可观察的控制问题，在最近几年，它的应用机器人操作问题已经增长。然而，这种规划方法只在简化的控制问题上得到了成功的尝试。在本文中，我们将信念空间规划问题的规划灵巧的达到把握对象的姿态不确定性的轨迹。在我们的框架中，机器人将待抓取的对象感知为点云，并在对象的姿态（我们的信念空间）上计算完整的6D非高斯分布。该系统对物体的几何形状没有限制，即，也不假定点云是对象的完整表示。然后，在置信空间中创建计划以到达并抓住对象，使得沿着轨迹的预期接触的信息值最大化以补偿姿态不确定性。如果在执行动作时发生意外接触，则使用此类信息来细化姿势分布并触发重新规划。实验结果表明，我们的规划器（IR3ne）提高了把握的可靠性和补偿的姿态不确定性，使它加倍的把握，成功的第一次尝试的比例。
2019-03-13 cs.AI cs.RO
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
Belief-Aware Multi-Agent Path Finding under Map Uncertainty
Symbotic Inc.（Symbotic公司）；Massachusetts Institute of Technology（麻省理工学院）
针对地图不确定性下的多智能体路径规划问题，提出MAGIC框架，利用高斯马尔可夫随机场和高斯信念传播在线更新可通行性信念，构建绕行感知代价，在96.3%的实例上降低执行总代价，适用于大规模场景。
2026-10-01 cs.AI cs.MA cs.RO
Tru-POMDP: Task Planning Under Uncertainty via Tree of Hypotheses and Open-Ended POMDPs
Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）；East China Normal University（华东师范大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
Tru-POMDP通过结合LLM生成的信念与开放性POMDP规划，有效应对任务规划中的不确定性，提升规划效率与鲁棒性。
2026-03-01 cs.AI cs.RO
A geometric approach to conditioning belief functions
Oxford Brookes University（牛津布鲁克斯大学）
在应用科学中，当涉及到时间序列的推理时，条件反射是至关重要的。信念演算是一种有效的方式来处理这种推理存在的认知不确定性-不幸的是，不同的方法来调节的信念功能框架中已经提出了在过去，离开这个问题有点不确定。受几何方法的不确定性，在本文中，我们提出了一种方法的条件下的信念函数的基础上几何投影到单形与条件事件的空间中的所有信念函数。我们在这里表明，这样的几何方法来调节往往会产生简单的结果与直接的解释程度的信念。这就提出了一个问题，是否经典的方法，例如登普斯特的条件反射，也可以减少到某种形式的距离最小化在一个合适的空间。家庭的组合规则（几何）条件规则的研究似乎是自然的起诉所提出的研究。
2021-04-21 cs.AI math.PR math.ST
Exploring the Potential for Large Language Models to Demonstrate Rational Probabilistic Beliefs
Department of Computing, Imperial College London, UK（计算系，帝国理工学院伦敦分校）
针对大型语言模型（LLMs）在信息检索和自动化决策系统中的应用需求，研究发现当前LLMs缺乏理性连贯的概率信念表示能力，通过构建含不确定真值声明的新数据集并应用成熟量化技术验证了该问题。
2025-04-18 cs.AI cs.CL
Addressing Moral Uncertainty using Large Language Models for Ethical Decision-Making
本研究提出一种伦理决策框架，通过任务无关伦理层结合LLM生成的多道德视角反馈微调RL模型，利用信念聚合方法生成塑形奖励，帮助智能体应对道德不确定性，提升决策一致性与适应性，减少对人工伦理奖励的依赖。
2025-10-01 cs.AI cs.CY
Robust Active Perception via Data-association aware Belief Space planning
Department of Aerospace Engineering, Technion - Israel Institute of Technology（航空航天工程系，技术ion-以色列理工学院）
本文提出一种结合数据关联推理的信念空间规划方法，以应对定位不确定性和感知模糊环境中的挑战，通过设计新的成本函数提升主动解歧能力。
2016-06-16 cs.AI cs.RO cs.SY
Chance-Constrained Belief-Space Maneuver Planning for Autonomous Collision Avoidance Under Uncertainty
Stanford University（斯坦福大学）
针对近地轨道交会不确定性，提出机会约束信念空间蒙特卡洛树搜索规划器，权衡等待跟踪信息与机动干预，在NASA数据集上验证，表明跟踪质量与频率决定干预时机。
2026-09-15 cs.AI cs.RO
Clarify, Abstain or Answer? Strategising in Conversation with Belief-Augmented Generation
University of Amsterdam（阿姆斯特丹大学）；MCML Munich（慕尼黑MCML）；LMU Munich（慕尼黑莱茵-魏尔堡大学）
提出信念增强生成（BAG）方法，通过将大语言模型自身的信念状态注入提示，使其推理多个采样响应并决定对话策略（回答、澄清或弃权），从而提升多轮模糊问答的准确性和策略决策的忠实度。
2026-09-09 cs.AI cs.CL cs.LG
Quantifying Risk Under Evolving Uncertainty: Belief-Dependent Robustness for Safe Sequential Decision Making
Technical University of Munich（慕尼黑工业大学）；Masaryk University（马萨里克大学）
本文提出RATTL算法，将智能体谨慎程度与认知不确定性绑定，证明其规划问题适定且满足安全三明治性质，可保障LLM等智能体在不确定性下的运行时安全。
2026-08-20 cs.AI cs.SY eess.SY
Bisimulation and expressivity for conditional belief, degrees of belief, and safe belief
LORIA, CNRS / Université de Lorraine（洛里亚研究所、法国国家科学研究中心 / 洛林大学）；DTU Compute, Technical University of Denmark（丹麦技术大学计算学院）
可信性模型是Kripke模型，代理人使用它来推理他们自己和彼此的知识和信念。这些模型被用来解释条件信念、信念度和安全信念的概念。条件信念逻辑既包含该模态，也包含知识模态，信念度逻辑和安全信念逻辑也是如此。关于这些逻辑，可扩展性模型可能包含太多信息。需要一个适当的互模拟概念来表征它们。我们定义了互模拟的概念，并证明了所需的特征：类的图像有限和原像有限的模型（相对于可扩展性关系），两个指向Kripke模型是模态等价的三个逻辑中的任何一个，当且仅当它们是双相似的。结果，这种模型的信息内容可以类似地用条件信念逻辑、信念程度逻辑或安全信念逻辑来表示。我们发现了一个惊人的结果。然而，这并不意味着逻辑具有同样的表达性：条件和信念度的逻辑是不可比较的，信念度的逻辑和安全信念的逻辑是不可比较的，而安全信念的逻辑比条件信念的逻辑更具表达性。鉴于互模拟表征的结果，这是一个同样令人惊讶的结果。我们希望我们的见解可能有助于不断增长的社区正式认识论和定性和定量建模之间的关系。
2016-02-25 cs.AI cs.LO
The intersection probability: betting with probability intervals
Visual Artificial Intelligence Laboratory（视觉人工智能实验室）；Oxford Brookes University（牛津布鲁克斯大学）
概率区间是不确定性推理的一个有吸引力的工具。然而，与信念函数不同的是，它们缺乏在效用理论框架中用于决策的自然概率转换。在本文中，我们提出了使用的相交概率，原来的几何方法的框架中的不确定性，作为最自然的这种变换的信仰功能的变换。我们回顾它的理由和定义，比较它与其他候选代表系统的概率区间，讨论其信用理由的概率单纯形中的一对单形的焦点，并概述了一个可能的决策框架的概率区间，类似于可转移的信念模型的信念函数。
2022-01-05 cs.AI math.PR math.ST
Generalised Probabilistic Modelling and Improved Uncertainty Estimation in Comparative LLM-as-a-judge
Engineering Department University of Cambridge UK（剑桥大学工程系）
该研究拓展了比较式LLM-as-a-judge的概率建模框架，提出改进的单次比较与整体排序不确定性估计方法，结合绝对与比较评分提升性能，实验显示可减少约50%的比较次数。
2025-05-21 cs.AI cs.LG stat.ML
Belief likelihood function for generalised logistic regression
School of Engineering, Computing and Mathematics（工程、计算与数学学院）；Oxford Brookes University（牛津布鲁克斯大学）
每当单个试验的不确定性被编码的信念措施（一个有限的随机集）的信念似然函数的重复试验的概念。这推广了传统的似然函数，并提供了一个自然的设置从统计数据的信念推断。因式分解的结果被证明的情况下，其中采用合取或析取组合，导致分析表达式的“尖锐”样本的情况下，伯努利试验的下限和上限的可能性，并制定一个广义的逻辑斯谛回归框架。
2018-08-20 cs.AI math.ST stat.ME
