A Conditional Perspective for Iterated Belief Contraction
FernUniversität in Hagen（哈根开放大学）；Technical University Dortmund（多特蒙德工业大学）
根据Boutillier，Darwiche，Pearl和其他人的说法，迭代修正的原则可以用改变对条件句的信念来描述。对于迭代收缩，类似的公式是未知的。这尤其是因为对于迭代信念变化，通过列维和哈珀恒等式的修正和收缩之间的联系并不直接，因此，表征结果在迭代修正和收缩之间不易转移。在这篇文章中，我们开发了一个公理化的迭代收缩在不断变化的条件信念。我们证明了一组新的公设符合语义的操作员类，如Konieczny和皮诺佩雷斯迭代压缩。
2019-11-20 cs.AI
Broadening the Applicability of Conditional Syntax Splitting for Reasoning from Conditional Belief Bases
University of Cape Town and CAIR（开普敦大学和CAIR）；Open Universiteit（开放大学）；TU Dortmund University（多特蒙德技术大学）
本文提出一种扩展的条件语法分割概念，允许信念基子基共享原子和非平凡条件，从而克服了原有分割概念的局限性，并评估了多种归纳推理算子。
2026-04-14 cs.AI
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
Factorization of Dempster-Shafer Belief Functions Based on Data
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
应用Dempster-Shafer理论（DST）的一个重要障碍是它与频率的关系。特别是，存在着严重的困难，从数据中发现的信念函数的因式分解。在概率论中，因子分解通常与（条件）独立性的概念有关，并相应地测试它们的可能性。然而，在DST中，条件信念分布被证明是非正确的信念函数（即与负“频率”相关的信念函数）。这使得潜在的条件独立性的统计测试实际上是不可能的，因为到目前为止还没有找到负置信函数值的连贯解释。在本文中，一个新的尝试，以克服这一困难。在该提案中，没有计算条件信念，而是在DST的框架内引入了一个新的测量F，与条件独立性密切相关，允许应用传统的统计测试来检测依赖性/独立性。
2018-12-14 cs.AI
SOLBP: Second-Order Loopy Belief Propagation for Inference in Uncertain Bayesian Networks
University of Michigan（密歇根大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；BI Norwegian Business School（BI挪威商学院）；University of Brescia（布雷西亚大学）
在二阶不确定贝叶斯网络中，条件概率仅在分布内已知，即，概率大于概率Delta方法已被应用于扩展精确的一阶推理方法，通过贝叶斯网络派生的和-积网络传播均值和方差，从而表征认知不确定性或模型本身的不确定性。或者，二阶信念传播已被证明为多树，但不是一般的有向无环图结构。在这项工作中，我们将Loopy Belief Propagation扩展到二阶贝叶斯网络的设置，从而产生二阶Loopy Belief Propagation（SOLBP）。对于二阶贝叶斯网络，SOLBP生成的推理与和积网络生成的推理一致，同时计算效率更高，可扩展性更强。
2022-08-16 cs.AI cs.LG stat.ML
Ordinal Conditional Functions for Nearly Counterfactual Revision
BCIT（不列颠哥伦比亚理工学院）
我们感兴趣的信念修订涉及条件语句的前提几乎肯定是假的。为了表示这样的问题，我们使用可以取无限值的有序条件函数。我们通过简单的算术运算来模拟这种情况下的信念变化，这些运算使我们能够捕捉到某些前因无法通过任何数量的观察来验证的直觉。我们框架我们的方法作为一种形式的有限的信念改善，我们提出了一个模型的条件信念修订，只有“正确的”假设水平的不可信性进行修订。
2016-03-31 cs.AI
A Conditional Perspective on the Logic of Iterated Belief Contraction
FernUniversität in Hagen（哈根函授大学）；TU Dortmund University（多特蒙德工业大学）
在这篇文章中，我们考虑收缩的迭代原则，目标是识别尊重条件信念的收缩的属性。因此，我们调查和评估四组迭代原则的收缩，考虑动态的条件信念。对于所有这些原则，我们提供语义特征定理，并提供配方的假设，突出了如何改变的信念和条件信念的约束，只要有可能。第一类是类似于句法Darwiche-Pearl假设。作为第二组，我们认为语义假设的迭代收缩乔普拉，高斯，迈耶和黄，Konieczny和皮诺佩雷斯，分别，我们提供了新的句法对应。第三，我们提出了一个压缩模拟的独立性条件的Jin和Thielscher。对于第四组，我们考虑Nayak的自然和适度收缩。有条不紊地，我们利用条件收缩，所谓的收缩，此外，我们提出并采用新的概念，$ α$ -等价制定一些新的假设。
2022-02-04 cs.AI
Conditional Deep Generative Models for Belief State Planning
Aeronautics and Astronautics Stanford University（航空航天系 斯坦福大学）；Institute for Computational & Mathematical Engineering (ICME) Stanford University（计算与数学工程研究所（ICME） 斯坦福大学）
针对高维状态 POMDP 的信念表示难题，提出用条件深度生成模型 cDGMs 学习后验信念并采样，在矿产勘探任务中优于粒子滤波。
2025-05-16 cs.AI
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
Sensitivities: An Alternative to Conditional Probabilities for Bayesian Belief Networks
Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）
我们展示了另一种方法表示贝叶斯信念网络的灵敏度和概率分布。这种表示等价于传统的条件概率表示，但使节点之间的依赖性明显，直观上易于理解。我们还提出了一个QR矩阵表示的灵敏度和/或条件概率，这是更有效的，在内存需求和计算速度，比传统的表示基于计算机的概率推理的实现。我们使用灵敏度表明，对于某一类二进制网络，近似概率推理的计算时间与结果误差的任何正上限无关。最后，作为一种替代传统的算法，使用条件概率，我们描述了一个精确的概率推理算法，使用QR表示的敏感性和更新的概率分布的节点在网络中根据来自邻居的消息。
2013-02-20 cs.AI
A New Approach to Updating Beliefs
IBM Almaden Research Center（IBM阿尔马登研究中心）
我们定义了一个新的概念，条件信念，它扮演着相同的作用，Dempster-Shafer信念函数的条件概率概率的概率函数。我们的定义不同于Dempster给出的标准定义，并且避免了该定义的许多众所周知的问题。正如条件概率Pr（lB）是一个概率函数，它是条件B为真的结果，所以我们的条件信念函数Bel（lB）也是一个信念函数，它是条件B为真的结果。我们将条件信念定义为一个条件概率函数族的下包络（即inf），并提供了一个封闭形式的表达式，通过考虑早期论文[Fagin和Halpern，1989]中的思想，我们将信念函数与内部测度联系起来，提供了理解条件信念定义的另一种方式。特别是，我们在这里展示了如何将条件概率的定义扩展到不可测集，以获得内部和外部条件概率的概念，考虑到我们缺乏信息，这些条件概率可以被视为真实条件概率的最佳近似。我们对条件信念的定义与我们对内部条件概率的定义完全相似。
2013-03-27 cs.AI cs.LO
On (Anti)Conditional Independence in Dempster-Shafer Theory
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
本文证明了{Shenoy：94}关于信度函数的Dempster-Shafer理论的Shenoy独立性概念的图形结构的一个结果。谢诺伊证明了他的独立性概念对于正态估值具有图形性质。严格的正正规赋值的要求作为应用的先决条件的图形属性排除了一个广泛的DS信念函数类。它特别排除了所谓的概率置信函数。证明了对赋值正性的要求可以被弱化，可以要求公共函数对于单点集为非零，而置信函数变量独立的图形性质则保持不变.这特别意味着以所有单例集为焦点的概率置信函数具有独立的图形属性。
2017-07-13 cs.AI
Modal Logics for Qualitative Possibility and Beliefs
University of British Columbia（不列颠哥伦比亚大学）
可能性逻辑是一种用于不确定性推理的数值形式。有兴趣发展定性帐户的可能性，以及解释之间的关系的可能性和模态逻辑。我们提出了两个模态逻辑，可以用来表示和原因的定性陈述的可能性和必要性。在这个模态框架内，我们能够识别可能性逻辑，信念和条件之间的有趣关系。特别是，最自然的条件定义通过可能性的手段默认推理是相同的珍珠的条件的电子语义。
2013-03-13 cs.AI
A Non-negative VAE:the Generalized Gamma Belief Network
Xidian University（西安电子科技大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出广义伽玛信念网络，通过扩展线性生成模型为非线性模型，解决原有GBN的表达能力限制，并采用Weibull推理网络近似后验分布，实验验证其在表达性和解耦表示学习中的性能。
2024-08-15 cs.AI cs.CV cs.LG
Revision by Conditionals: From Hook to Arrow
La Trobe University（拉筹伯大学）；Cardiff University（卡迪夫大学）
信念修正文献主要集中在如何根据事实信息修正信念的问题上。在这里，我们转向一个重要但相对被忽视的问题：如何扩展修订操作符来处理作为输入的条件？我们的做法，这个问题的“有条件的修订”是独特的，因为它抽象的争议细节，如何修改的事实句子。我们引入了一个“即插即用”的方法，唯一地扩展任何迭代的信念修订运营商的条件的情况下。我们的方法的灵活性是通过有条件修订的结果由拉姆齐测试条件（“箭头”）确定的一个普通的修订由其相应的材料条件（“钩”）。它满足一些新的约束，是独立的利益。
2020-06-29 cs.AI
Descriptor Revision for Conditionals: Literal Descriptors and Conditional Preservation
FernUniversität in Hagen（哈根远程大学）
Hansson的描述符修正是解决信念改变问题的一个框架。在描述符修改中，不同类型的变更过程在一个联合框架中处理。个别的变化需求是合格的信念描述符表示的特定成功条件，和信念描述符可以结合逻辑连接词。这与目前由阿尔肖龙、格登福斯和梅金森塑造的主流年度股东大会范式形成了鲜明对比，在这种范式中，不同类型的变更（如修订或收缩）被单独处理。在这篇文章中，我们研究了条件逻辑的描述符修改的实现，同时限制描述符的文字描述符的连接。我们应用的原则，条件保存开发的Kern-Isberner描述符修订条件，说明如何描述符修订条件下，这些限制的特点是一个约束满足问题，并实现它使用约束逻辑编程。由于我们的条件逻辑包含命题逻辑，我们的方法也实现了命题逻辑的描述符修订。
2020-06-02 cs.AI
Parallel Belief Revision
Northrop Research and Technology Center（诺斯罗普研究与技术中心）
本文介绍了一个正式的系统，由沃尔夫冈Spohn开发的信念修订，并表明，该系统有一个并行的实现，可以从一个影响图的方式类似于贝叶斯网络派生。证明依赖于条件独立的概念公理化的完整性结果，与Spohn系统被用作条件独立的关系的语义。
2013-03-27 cs.AI
What Does a Belief Function Believe In ?
Polish Academy of Sciences（波兰科学院）
Dempster-Shafer证据理论中的条件作用已经被Shafer \cite{Shafer:90}定义为通过Dempster规则的信念函数和“事件”的组合。另一方面谢弗\cite{Shafer:90}给出了一个“概率”解释的信念函数（因此间接从一个样本的推导）。鉴于样本导出概率分布的条件概率分布是从子样本（根据条件事件选择）导出的概率分布，本文研究了Dempster组合规则的经验性质。证明了所谓的“条件”信念函数不是给定事件的信念函数，而是给定原始经验数据的信念函数基于此，提出了一种不同于Shafer的信念函数的解释。从数据的信念网络的建设算法推导出这种解释。
2017-06-08 cs.AI
Conditional Inference and Activation of Knowledge Entities in ACT-R
TU Dortmund University（多特蒙德工业大学）；FernUniversität in Hagen（哈根远程大学）
基于激活的条件推理将条件推理应用于ACT-R，ACT-R是一种用于形式化人类推理的认知架构。基于激活的条件推理的思想是确定条件信念库的合理子集，以便及时得出归纳推理。基于激活的条件推理的核心是激活函数，它主要基于条件与当前查询及其使用历史的相关性来为信念库中的条件分配激活程度。因此，我们的方法集成到专家系统，如聚焦，遗忘和记忆人类推理的几个方面。
2021-10-28 cs.AI
Planning Graph Heuristics for Belief Space Search
Arizona State University（亚利桑那州立大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
最近的一些工作在条件规划提出了可达性算法，以提高规划的可扩展性，但许多缺乏一个正式的描述，其距离估计的属性。为了将以前的工作的背景下，并扩展工作的有条件的规划，我们提供了一个正式的信念状态之间的距离估计的基础。我们给出了一个信念状态之间的距离的定义，依赖于聚合底层状态距离的措施。我们给出了几种技术来聚合状态距离及其相关属性。许多现有的规划展示了一个子集的属性，但为了提供一个标准化的比较，我们提出了几个概括的规划图规划，在一个单一的计划。我们恭维我们的信念状态距离估计框架，也调查有效的规划图数据结构，将BDD计算最有效的算法。我们开发了两个规划器作为我们调查的试验台。第一个是CAlt Alt，它是一个使用A* 搜索的一致回归规划器。第二个是POND，是一个使用AO* 搜索的条件进度计划器。我们展示了我们的启发式技术在这些规划师的相对有效性。我们还比较了这些规划师的性能与几个国家的最先进的方法在条件规划。
2011-03-09 cs.AI
Simulation Approaches to General Probabilistic Inference on Belief Networks
Stanford University（斯坦福大学）；Rockwell International Science Center（罗克韦尔国际科学中心）
已经开发了许多算法来解决信念网络上的概率推理问题。这些算法可以分为两个主要的组：精确的技术，利用条件的独立性时，显示的图形结构是相对稀疏的，和概率抽样技术，利用“电导”的嵌入式马尔可夫链时，条件概率有非极值。在本文中，我们研究了一个家庭的“向前”蒙特卡洛抽样技术类似于逻辑抽样[Henrion，1988]，似乎表现良好，即使在一些多连接网络的极端条件概率，因此将普遍适用。我们考虑几个增强，减少后验方差使用这种方法，并提出了一个框架和标准，选择何时使用这些增强。
2013-03-27 cs.AI
Revisable Justified Belief: Preliminary Report
University of Amsterdam（阿姆斯特丹大学）
条件Doxastic逻辑的理论$\mathsf{CDL}$是Board的条件信念的多智能体理论$\mathsf{BRSIC}$的单智能体版本。$\mathsf{CDL}$可以被视为AGM信念修正理论的一个版本，其中修正的布尔组合可以用语言表达。我们介绍了一个理论$\mathsf{JCDL}$的证明条件Doxastic逻辑，取代条件信念公式$B^ψφ$的表达式$t{\,:^ψ}φ$由一个长期$t$，其句法结构表明推导的信念$φ$后，修订$ψ$。这使我们可以把术语$t$看作是在修正发生后证明相信各种公式的理由。我们证明了$\mathsf{JCDL}$ -定理是$\mathsf{CDL}$ -定理的精确类似物，并且这个结果也成立。这使我们可以把$\mathsf{JCDL}$看作是一种可修正的合理信念理论。
2015-03-27 cs.AI cs.LO
Graphical Representations of Consensus Belief
University of Michigan（密歇根大学）
基于条件独立性的图形模型支持单个代理的主观信念的简洁编码。一个自然的问题是，一组代理人的共识信念是否可以用平等的简约来表示。我们证明，在相对温和的假设下，即使每个人都同意一个共同的图形拓扑结构，没有方法相结合的信念可以保持这种结构。甚至更弱的条件排除了条件概率表中的局部聚集。在一个更积极的注意，我们表明，如果概率与对数意见池（LogOP）相结合，那么通常持有马尔可夫独立性保持。这表明了一个简单的过程来构建一个共识马尔可夫网络。我们描述了一个算法，用于计算的LogOP的时间复杂度媲美精确贝叶斯推理。
2013-01-23 cs.AI
Conditional indifference and conditional preservation
保持条件信念的想法最近出现了一个新的范式，倾向于指导知识状态的修正。条件句与命题信念有本质的不同，需要特殊的处理。在本文中，我们提出了一种新的方法，条件，捕捉特别是其动态的一部分，修订政策。我们彻底公理化的原则，有条件的保存作为一个无差异的财产方面的条件结构的世界。这一原则是在一个半定量的设置，以揭示其根本意义的信念修正的定量以及在定性框架。事实上，它被证明涵盖了其他提出的有条件保存的方法。
2000-03-06 cs.AI cs.LO
Valuation Networks and Conditional Independence
University of Kansas（堪萨斯大学）
估值网络已经被提出作为基于估值的系统（VBS）的图形表示。VBS框架能够捕获许多不确定性演算，包括概率论，Dempster-Shafer的信念函数理论，Spohn的认知信念理论和Zadeh的可能性理论。在本文中，我们展示了估值网络如何编码条件独立关系。对于概率情况，由估值网络编码的概率模型的类别包括无向图模型、有向无环图模型、有向气球图模型和递归因果图模型。
2013-03-06 cs.AI
Characterization of AGM Belief Contraction in Terms of Conditionals
Department of Economics University of California Davis, California, USA
本文利用 Kripke 信念关系与 Stalnaker-Lewis 选择函数构建框架，通过条件信念精确刻画了 AGM 信念收缩中公式的归属条件。
2023-07-11 cs.AI cs.LO
Entropy and Belief Networks
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
信网条件概率的乘积展开不是最大熵。这似乎否定了对模型的一种理想的保证。然而，可以导出一种几乎与最大熵一样强的保证。令人惊讶的是，变体模型也具有保证，并且在许多情况下获得比产品扩展更高的性能分数。
2013-03-13 cs.AI
Hierarchical Evidence and Belief Functions
Decision Science Consortium, Inc.（决策科学联盟公司）
Dempster/Shafer（D/S）理论被认为是一种表示系统知识库中证据不完备性的方法。现在存在通过推理链传播信念的方法。本文讨论了如何将自动推理系统中的一种常见的知识表示--带有附加信念的规则转换为传播算法所需的联合信念函数。一个规则被视为定义一个条件信念函数的后件给定的前件。通过实例证明，不同的联合信念函数可以与给定的一组规则一致。此外，相同规则的不同表示可能会产生对后续假设的不同信念。
2013-03-27 cs.AI
A New Algorithm for Finding MAP Assignments to Belief Networks
Brown University（布朗大学）
本文提出了一种新的算法，用于寻找最大后验（MAP）分配值的信念网络。信念网络被编译成仅由具有布尔（即仅0或1）条件概率的节点组成的网络。然后，在所得到的网络上使用最佳优先搜索来找到MAP分配。我们认为，正如人们所预料的那样，该算法在一般情况下是指数的，但对于多边形树，网络的大小仅是线性的。
2013-03-27 cs.AI
On Marginally Correct Approximations of Dempster-Shafer Belief Functions from Data
Institute of Computer Science（计算机科学研究所）；Polish Academy of Sciences（波兰科学院）
数学证据理论（Mathematical Theory of Evidence，MTE）是在部分无知下进行推理的基础，它被指责将频率留在其框架之外（或旁边）。这种指责的严重性是显而易见的：没有实验可以运行来比较基于真实世界数据的真实世界过程模型的性能。在本文中，我们考虑这个问题的观点，条件的MTE。我们描述了一类的信念函数，其边际一致性与观察到的频率可以实现和条件的信念函数是适当的信念函数，%\和处理的影响（边际）近似一般的信念函数，这类信念函数和推理模型在MTE。
2018-12-07 cs.AI
Fast Belief Update Using Order-of-Magnitude Probabilities
Rockwell Science Center（罗克韦尔科学中心）
我们提出了一个算法，称为预测，更新因果网络量化的数量级概率的信念。该算法利用了网络的结构和量化，并提出了一个多项式渐近复杂性。预测表现出保守的行为，因为它总是合理的，但并不总是完整的。我们提供了充分的条件，完整性和目前的算法来测试这些条件和计算一套完整的似是而非的值。我们提出预测作为一种有效的方法来估计概率值，并说明其使用结合两个已知的概率推理算法。最后，我们描述了一个应用程序的预测计划评估，目前的实验结果，并讨论了有关其使用的问题与条件逻辑的信念，并在表征无关。
2013-02-20 cs.AI
When Does Belief-Based Agent Memory Help? Reliability-Conditional Updating and Provenance-Capped Poisoning Defense
Indian Institute of Technology Ropar（印度理工学院罗巴尔分校）
提出Nous记忆架构，基于知识即预测而非存储的原则，通过贝叶斯更新维护概率分布，以信息论惊喜度评分并记录信念变化，在LoCoMo基准上取得优于对比方法的F1分数。
2026-07-17 cs.AI cs.CL cs.IR
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
A General Non-Probabilistic Theory of Inductive Reasoning
概率论，从认识论的角度解释，提供了一个极好的，如果不是最好的归纳推理的帐户。之所以如此，是因为通过信息或经验，主观概率的变化存在着普遍而明确的规则;归纳和信念变化毕竟是同一个主题。这些规则中最基本的是简单地对收到的信息进行条件化;还有类似的和更一般的规则。[1]因此，概率论在认识论上取得成功的一个根本原因是，条件概率的概念确实存在。尽管如此，人们对概率论仍然有各种各样的担忧，也有各种各样的理由。其中之一是我的出发点：直觉上，我们有朴素信念的概念;我们相信命题2为真（或为假，或两者皆不）。然而，概率论并没有提供与这个概念相对应的形式。相信A并不等同于A的概率为1，因为概率1是不可救药的;但简单的信念显然是可以纠正的。相信A并不等于给A一个大于1-c的概率，因为相信A和相信B通常被认为等同于相信A和B。事实上，表达简单的信念似乎很容易：简单地用所有被认为在其中为真的命题的集合来表示一个认识状态，或者，因为我做了普通信念在演绎上是封闭的这一共同假设，所以用所有被认为在其中为真的命题的合取来表示一个认识状态。但是，这还没有提供一个归纳理论，也就是说，对这样表示的认识状态如何通过信息或经验而改变的问题的回答。有一个令人信服的部分答案：如果新信息与旧的认识状态相容，那么新的认识状态就简单地由新信息和旧信念的结合来表示。这个答案是片面的，因为它没有涵盖新信息与旧信念不相容的相当常见的情况。然而，…
2013-03-27 cs.AI
A Qualitative Theory of Cognitive Attitudes and their Change
IRIT-CNRS（法国国家科学研究中心图卢兹计算机研究所）；Toulouse University（图卢兹大学）
本文提出一个通用逻辑框架，用于推理智能体的认知态度（如知识、信念、欲望等），并给出两种扩展（选择与动态算子），应用于不完全信息博弈，提供可靠完备的公理化。
2021-02-16 cs.AI cs.LO
Restricted Causal Inference Algorithm
Polish Academy of Sciences（波兰科学院）
本文提出了一种从处理隐变量的数据中恢复信念网络结构的新算法。它本质上是Spirtes等人的CI算法的扩展。通过限制条件依赖检查的数量为k个变量，并通过将所谓的部分包含路径图转换为信念网络的额外步骤来扩展原始CI。证明了它的正确性。
2017-06-30 cs.AI
The Probability of a Possibility: Adding Uncertainty to Default Rules
University of British Columbia（不列颠哥伦比亚大学）
我们提出了一个语义添加不确定性的条件逻辑默认推理和信念修订。我们能够将条件句视为条件概率的陈述，并表达修改规则，例如“如果A被相信，那么B将被相信为p度。“这种修改方法通过允许概率为零的句子进行有意义的修改来扩展条件化。这是通过使用反事实概率来实现的。因此，我们的系统占定性方法的更新（特别是，AGM理论的修订）和概率方法的最佳性能。我们还展示了如何我们的系统可以被看作是一个统一的概率论和可能性理论，突出其正交性，并提供了一种手段来表达概率的可能性。我们还展示了连接到刘易斯的成像方法。
2013-03-06 cs.AI
Basic Formal Properties of A Relational Model of The Mathematical Theory of Evidence
Institute of Computer Science Polish Academy of Sciences Warszawa, Poland e-mail: klopotek
本文提出了一种新的观点的Dempster-Shafer信念函数的多样性在关系数据库的措施。证明了在这种解释下，证据合成的Dempster规则对应于关系数据库理论中的连接算子。这种基于粗糙集的解释本质上是定性的，并且可以表示许多置信函数算子。该解释具有的属性，即给定解释域中对象的置信度的定义，我们可以在该域中执行操作，并且所得到的对象的度量可以通过置信度算子从组件对象的度量导出。我们证明了这一属性的Dempster规则的组合，边缘化，谢弗的条件，独立的变量，谢诺伊的概念的条件独立的变量。这种解释是基于粗糙集（与决策表有关），但与以前的这种类型的解释不同的是，它计算的是决策表中的多样性而不是频率。
2017-04-08 cs.AI
A Model for Non-Monotonic Reasoning Using Dempster's Rule
University of Guelph（圭尔夫大学）
在信度函数框架下的非单调推理问题已经引起了相当多的关注。早期的工作（M。Ginsberg）提出了引入元规则的解决方案，这些元规则在概率意义上识别条件独立性。最近，一个默认推理的e演算公式（J. Pearl）表明，将Dempster规则应用于非单调情况会产生错误的结果。本文提出了一种新的信念函数解释的问题，它结合了规则的方式，这是更兼容的概率结果和尊重的独立性条件所需的应用Dempster的组合规则。还提出了一个新的一般框架相结合的冲突证据，其中的归一化因子成为修改。这产生了更直观的可接受的结果。
2013-03-27 cs.AI
Propagation of Belief Functions: A Distributed Approach
University of Kansas（堪萨斯大学）
在本文中，我们描述了一个计划传播的信念函数在某些种类的树只使用本地计算。该方案概括了Shafer和Logan 1提出的计算方案，用于Gordon和Shortliffe研究的诊断树类型，以及Shafer给出的层次证据的稍一般的方案。它还推广了Pearl提出的贝叶斯因果树方案（见Shenoy和Shafer）。珀尔的因果树和戈登和肖特利夫的诊断树都是将与大问题有关的证据分解为与问题的较小部分有关的较小证据项的方法，以便这些较小的问题可以一次处理一个。为了使概率判断过程可行，这种努力的局部化通常是必不可少的，无论是对做出概率判断的人还是对组合它们的机器。我们的计划的基本结构是一种树，概括了珍珠和戈登和Shortliffe的树。这种一般类型的树允许在珀尔意义上的局部计算。它们基于条件独立性的定性判断。我们相信，我们在这里描述的方案将证明是有用的专家系统。现在很清楚，在专家系统中成功地传播概率或确定性因素需要比在纯产生式系统框架中所能提供的更多的结构。另一方面，贝叶斯方案往往对结构提出不切实际的要求。在树和更一般的网络中传播信任函数站在中间立场，可以做一些明智和有用的事情。我们想强调的是，传播概率的局部计算的基本思想是由Judea Pearl提出的。这是一个非常创新的想法，我们不相信它可以在贝氏文献中找到之前珍珠的工作。我们认为我们的贡献是扩大珍珠的想法的有用性概括它从贝叶斯概率的信念函数。在…
2013-03-27 cs.AI
Hyperparameter Optimization via Interacting with Probabilistic Circuits
Computer Science Department, Technical University Darmstadt（技术大学达姆施塔特计算机科学系）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）；German Research Center for AI (DFKI)（德国人工智能研究中心）
提出一种基于概率电路的新型贝叶斯优化方法，通过条件采样实现无需采集函数的候选点生成，准确反映用户信念，在标准与交互式超参数优化中均达到最优性能。
2025-05-23 cs.AI cs.LG
Neural Estimation of Pairwise Mutual Information in Masked Discrete Sequence Models
University of California, Berkeley, CA, USA（加州大学伯克利分校）
本文提出了一种神经框架，直接从预训练的遮蔽扩散模型（MDMs）的隐藏状态中估计成对条件互信息（MI），利用模型自身条件分布计算的地面真实MI进行监督，从而捕捉模型内部对依赖结构的信念，并在单次前向传递中预测完整的MI矩阵，实现MI引导的并行解码。
2026-01-27 cs.AI cs.IT cs.LG
