Design of a Framework to Facilitate Decisions Using Information Fusion
Military Technical College（军事技术学院）；Arab Academy for Information Systems（阿拉伯信息系统学院）；Azhar University（爱资哈尔大学）
信息融合是一个先进的研究领域，可以帮助决策者提高他们的决策。本文旨在设计一个新的多层框架，可以支持执行决策的过程中获得的信念，使用信息融合。由于跨越某些假设和决策的计算信念之间的差距不是一件容易的任务，因此所提出的框架由以下层组成，以便提供合适的架构（有序的自底向上的）：1.使用信息融合方法组合基本信念分配的层。这种方法利用Dezert-Smarandache理论，DSmT和比例冲突再分配来提供更现实的最终信念。2.一个层，用于从相应的最终信念计算底层命题的pignistic概率。3.使用贝叶斯网络执行概率推理的层，该层可以从命题的pignistic概率中获得命题的可能原因。4.对系统决策进行排序最终用于支持决策制定。为了验证这一概念，在不同的运行条件下进行了案例研究，并指出：1。使用DSmT的信息融合不仅产生更现实的信念，但也可靠的pignistic概率的基本命题。2.利用pignistic概率将信息融合与贝叶斯网络集成提供了概率推理，并使得能够基于用于底层命题的基于信念的概率和用于相应原因的基于贝叶斯的概率两者来进行决策。相对于其他信息融合系统的比较研究所提出的框架证实了其优越性，以支持决策。
2015-02-21 cs.AI
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
FNBT: Full Negation Belief Transformation for Open-World Information Fusion Based on Dempster-Shafer Theory of Evidence
针对异构框架下传统融合方法效果不佳的问题，提出基于 Dempster-Shafer 理论的开放世界信息融合方法 FNBT，通过扩展框架和全否定机制转换 mass 函数，在理论与实际数据中均验证了其有效性与优越性。
2025-08-11 cs.AI
Evidence Updating for Stream-Processing in Big-Data: Robust Conditioning in Soft and Hard Fusion Environments
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
鲁棒的信念修正方法是至关重要的，在流数据的情况下，更新现有的知识或信念与新的传入证据。贝叶斯条件是使用概率推理的数据融合系统中用于信念修正的主要机制。然而，传统的调节方法由于利用软（即，人或基于人的）源除了硬（即，基于物理的）传感器。本文的目的是调查最自然的扩展贝叶斯条件，是适合证据更新存在这样的不确定性。通过将证据更新过程视为一个思想实验，推导出一种优雅的策略，用于在存在大数据环境特有的极端不确定性的情况下进行稳健的证据更新。特别是，利用Fagin-Halpern条件的概念，贝叶斯条件的自然扩展是来自证据，采取的形式，一般的信念函数。所提出的工作从根本上不同于条件更新方程（CUE）和作者自己的扩展它。此外，还提供了各种融合背景下的参数选择的见解。
2017-06-10 cs.AI
Multibiometrics Belief Fusion
Dr. B. C. Roy Engineering College（B.C.罗伊工程学院）；Jadavpur University（jadavpur大学）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
本文提出了一种多模态生物特征识别系统，通过高斯混合模型（GMM）的人脸和耳朵的生物特征与信念融合的估计分数特征的Gabor响应和建议的融合是由Dempster-Shafer（DS）决策理论完成。将人脸和人耳图像与Gabor小波滤波器进行卷积，提取空间增强的Gabor人脸特征和Gabor人耳特征。此外，GMM应用于高维的Gabor人脸和Gabor耳响应分别进行定量测量。利用期望最大化算法估计GMM中的密度参数。这产生了两组特征向量，然后使用Dempster-Shafer理论进行融合。实验进行了多模态数据库包含400个人的脸和耳朵的图像。研究发现，将Gabor小波滤波器与GMM和DS理论相结合，可以提供鲁棒、高效的多模态融合策略。
2010-02-14 cs.AI cs.CV
Quantum Information Fusion and Correction under the Transferable Belief Model
School of Electronics and Information, Northwestern Polytechnical University（电子信息学院，西北工业大学）；College of Future Information Technology, Fudan University（未来信息技术学院，复旦大学）；College of Information Engineering, Northwest A\&F University（信息工程学院，西北农林科技大学）；Institute of Fundamental and Frontier Science, University of Electronic Science and Technology of China（基础与前沿科学研究院，电子科技大学）；Department of Image and Information Processing, IMT-Atlantique（图像与信息处理系，IMT-Atlantic）
针对可转移信度模型经典运算复杂度随幂集组合增长的问题，提出基于质量函数量子态的量子电路推理框架，实现线性复杂度的信度融合与校正，验证了其可解释性与抗噪性，拓展了量子信息处理的语义表示方式。
2026-08-22 cs.AI quant-ph
Evidential Information Fusion on Possibilistic Structure
School of Electronics and Information, Northwestern Polytechnical University（电子信息学院，西北工业大学）；Department of Electrical and Computer Engineering, University of Alberta（阿尔伯塔大学电气与计算机工程系）；China Mobile Information Technology Center（中国移动信息科技中心）；Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）；Institute of Fundamental and Frontier Science, University of Electronic Science and Technology of China（中国电子科技大学基础与前沿科学研究院）
本文提出了一种基于可能性结构的证据信息融合方法，通过引入信任演化网络和三角范数家族，实现了更灵活的信息融合框架，适用于非distinct源融合、冲突管理等复杂场景。
2026-05-16 cs.AI
Morphologic for knowledge dynamics: revision, fusion, abduction
LTCI, Télécom ParisTech, Université Paris-Saclay（LTCI，巴黎高等电信学院，巴黎萨克雷大学）；Université Paris-Dauphine, PSL Research University, CNRS（巴黎第九大学，巴黎文理研究大学，法国国家科学研究中心）；Universidad de Los Andes（洛斯安第斯大学）；Universidad Industrial de Santander（桑坦德工业大学）
人工智能中的一些任务要求能够找到关于知识动态的模型。它们包括信念修正、融合和信念合并以及溯因。在本文中，我们利用代数框架的数学形态学的命题逻辑的背景下，并定义操作，如膨胀或腐蚀的一组公式。我们得出具体的运营商，基于语义的方法，有一个直观的解释，并正式表现良好，执行修订，融合和绑架。计算和易处理的地址，和简单的例子说明了可以得到的典型结果。
2018-02-14 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
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
Imprecise Belief Fusion Improves Multi-agent Social Learning
School of Engineering Mathematics and Technology, University of Bristol（布里斯托大学工程数学与技术学院）；Graduate School of Arts and Sciences, The University of Tokyo（东京大学文学部・理学部研究科）
该研究提出带不精确融合算子的多智能体社会学习模型，发现对错误信念有强初始偏差的群体，一定程度的信念融合不精确性可提升学习准确性。
2026-08-04 cs.AI cs.MA physics.soc-ph
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
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
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
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
Int{é}gration d'une mesure d'ind{é}pendance pour la fusion d'informations
IRISA（法国布列塔尼大西洋计算机科学、信号处理与系统研究所）；IUT de Lannion（拉尼翁技术学院）
为了提高决策的不确定性和不精确性，将多个信息源纳入数据融合。对于每一种用于数据融合的技术，通常都假定它们是独立的。本文提出了一种在信念函数理论的背景下，在进行信息组合之前考虑独立性度量的方法。
2015-01-22 cs.AI
Modeling Uncertainty: Constraint-Based Belief States in Imperfect-Information Games
ICTEAM, UCLouvain（ICTEAM，乌尔特拉-努夫大学）
本文研究不完全信息博弈中的信念表示，提出基于约束满足问题的方法并与信念传播概率推理对比，实验表明约束信念能以更简单方式达到与概率推理相当的决策性能。
2025-08-19 cs.AI
Bayes-Ball: The Rational Pastime (for Determining Irrelevance and Requisite Information in Belief Networks and Influence Diagrams)
Stanford University（斯坦福大学）
信念网络和影响图的好处之一是，在图形结构中捕获了如此多的知识。特别是，条件无关性（或独立性）的陈述可以在图的大小的时间线性中得到验证。为了解决一个特定的推理查询或决策问题，只需要指定一些可能的状态和概率分布，即“必要信息”。本文提出了一种新的，简单的，有效的“贝叶斯球”算法，它非常适合新的学生的信念网络和国家的最先进的实现。贝叶斯球算法比现有方法更有效地确定不相关集和必要信息，并且在信任网络和影响图的图的大小上是线性的。
2013-01-30 cs.AI
Generating New Beliefs From Old
NEC Research Institute（NEC研究院）；University of Waterloo（滑铁卢大学）；University of California, Berkeley（加州大学伯克利分校）
在以前的工作[BGHK 92，BGHK 93]中，我们研究了随机世界方法-一种用于生成置信度的特殊（并且非常强大）方法（即，主观概率）从由客观（一阶、统计和缺省）信息组成的知识库中。但是，允许知识库只包含客观信息有时是有限的。我们偶尔也希望在知识库中包含有关信念程度的信息，因为在某些情况下，旧信念代表了影响新信念的重要信息。在本文中，我们描述了三个相当一般的技术，扩展的方法，产生程度的信念，从客观的信息，可以利用程度的信念。我们所有的技术都是基于众所周知的方法，如交叉熵。我们讨论的技术之间的一般连接，特别是表明，虽然在概念上和技术上有很大的不同，所有的技术都给出了相同的答案时，适用于随机世界的方法。
2013-02-27 cs.AI
Typical models: minimizing false beliefs
School of Computer Science and Engineering（计算机科学与工程学院）；The Hebrew University（希伯来大学）
描述现实世界的一部分的知识系统S通常不包含完整的信息。不完全信息的推理容易出错，因为从S导出的任何信念在当前世界状态下都可能是错误的。错误的信念可能会暗示错误的决定，并导致有害的行为。因此，一个重要的目标是使错误的信念尽可能不可能。这项工作介绍了“典型原子”和“典型模型”的概念，并表明，与典型模型的推理最大限度地减少了预期数量的错误信念在所有的方式使用不完整的信息。研究了典型模型的各种性质，特别是典型模型所建议的信念的正确性和稳定性，以及它们与不经意推理的关系。
2011-05-19 cs.AI
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
Belief revision by examples
DIIAG - Sapienza University of Rome（罗马大学DIIAG）
信念修正中的一个常见假设是，信息源的可靠性要么是给定的，要么是从时间信息导出的，要么是所有信息源的可靠性都相同。这篇文章并没有描述一个新的集成语义，而是描述了根据先前合并的结果获得源代码的可靠性的问题。作为一个例子，两个传感器的相对可靠性可以在给定某些观察的情况下进行评估，并允许随后合并来自它们的数据。
2014-09-18 cs.AI
Elicitation of Probabilities for Belief Networks: Combining Qualitative and Quantitative Information
University of Pittsburgh（匹兹堡大学）；Utrecht University（乌得勒支大学）
虽然信念网络在不确定性推理中的有用性被广泛接受，但获得它们所需的数值概率仍然被认为是一个主要障碍。通常没有足够的统计数据来进行可靠的概率估计。可用信息可能不直接适合在网络中编码。最后，领域专家可能不愿意提供数值概率。在本文中，我们提出了一种方法，从一个领域的专家，是非侵入性的，并容纳任何概率信息的专家愿意国家的概率启发。我们表示所有可用的信息，无论是定性或定量的性质，在一个规范的形式组成的（中）等式表示约束的超空间可能的联合概率分布。然后，我们使用这个标准形式来推导出所需概率的二阶概率分布。
2013-02-20 cs.AI
Can we forget how we learned? Doxastic redundancy in iterated belief revision
DIAG, Sapienza University of Rome（罗马萨皮恩扎大学DIAG）
本文研究迭代信念修正中的信念冗余问题，提出一种算法检查遗忘信念获取过程是否导致信息丢失，并分析了其在多种修正算子下的计算复杂度。
2025-04-26 cs.AI
Hybrid Processing of Beliefs and Constraints
University of California, Irvine（加州大学欧文分校）
本文探讨了处理概率和确定性信息时，前者表示为一个信念网络和后者作为一组布尔子句的算法。激励任务是1。评估具有大量确定性关系的信念网络; 2.评估复杂布尔查询在信任网络上的概率。我们提出了一个参数化的家庭变量消除算法，利用这两种类型的信息，并允许不同程度的约束传播推断。该方案的复杂性由图{em增广}的诱导宽度控制，由布尔约束引入的依赖关系。初步的经验评估证明了约束传播对概率计算的影响。
2013-01-10 cs.AI
Some Complexity Considerations in the Combination of Belief Networks
University of Southern California（南加州大学）
在知识库系统研究界，一个可能引起越来越多注意的主题是协调多位专家提供的信息。我们设想的情况下，几个专家独立编码的信息作为信念网络。然后，潜在的用户必须协调这些网络的结论和建议，以取得某种共识。达成这种共识的一种方法是在考虑任何案例特定数据（特定观察，测试结果）之前，将贡献的网络融合到单个共识模型中。这种方法需要两种类型的组合过程，一种用于概率，一种用于图。由于概率的组合是相对好理解的，这种方法的关键障碍在于图论领域。本文提供了一些必要的操作，以实现必要的图形组合的正式定义，并提供了这些程序的复杂性分析。本文的主要结果是，这些操作大多数是NP难的，其主要信息是，推导？好吗？共识网络必须以经验主义的方式进行。
2013-03-06 cs.AI
Belief Change based on Knowledge Measures
Istituto di Scienza e Tecnologie dell’Informazione, CNR（意大利国家研究委员会信息科学与技术研究所）
提出基于知识测度的定量信念变更框架，定义最小意外原则下的信念变更算子，满足AGM公设，并刻画所有AGM算子，引入信息损失/增益/变化测度，探讨迭代修订与严重撤回模型。
2024-03-15 cs.AI
Belief Merging by Source Reliability Assessment
Sapienza University of Rome（罗马大学）
合并信念需要合并信息源的可验证性。他们通常被认为是同样可靠的，在缺乏提示表明，否则;然而，最近的一系列研究从修订过程本身得出这一信息的想法。特别是，以前的修订历史和以前的合并示例为执行后续合并提供了信息。然而，可能没有实例或以前的修订版本。尽管明显缺乏信息，但仍然可以通过尝试和检查方法推断出一些东西：假设相对可靠性排序，基于它执行合并过程，并将结果与原始信息进行比较。这种检查的结果可能与最初的假设不一致，就像一个完全可靠的来源被拒绝了它提供的一些信息。在这种情况下，首先假设的可靠性排序可以从考虑中排除。本文的第一个定理证明了这种情况确实是可能的。在不同的可靠性定义和合并定义下，得到了其它结果。
2016-05-07 cs.AI
Revising Incompletely Specified Convex Probabilistic Belief Bases
Centre for Artificial Intelligence Research（人工智能研究中心）；CAIR（人工智能研究中心）；University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）；CSIR Meraka（南非科学与工业研究理事会梅拉卡研究所）；University of Cape Town（开普敦大学）；University of Luxembourg（卢森堡大学）
我们提出了一种方法，当观察到一个新的命题信息时，代理修改其不完整的概率信念。在这项工作中，代理人的信念是由一组概率公式-信念基础。该方法包括确定一组代表性的“边界”概率分布与当前的信念基础一致，修改这些概率分布中的每一个，然后将修改后的信息转换成一个新的信念基础。我们使用一种版本的Lewis Imaging作为翻修手术。证明了该方法的正确性。所考虑的信念基础的表达能力是相当有限的，但有一些应用。我们还讨论了采用最佳熵的概念的信念基础的修订方法，并指出这些方法的一些好处和困难。边界分布法和最优熵法都是合理的，但得到的结果不同。
2016-04-07 cs.AI
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
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
Practical Uses of Belief Functions
IRIDIA Universite Libre de Bruxelles（布鲁塞尔自由大学IRIDIA研究所）
我们提出的例子中，使用的信念功能提供了健全和优雅的解决方案，现实生活中的问题。这些的本质特征是？失踪的信息。这些例子涉及：1）使用学习集的判别分析，其中类仅部分已知; 2）处理文档间关系的信息检索系统; 3）来自部分重叠帧上的传感器的数据的组合; 4）通过研究传感器间的矛盾来确定多传感器环境中的源的数量。该文件的目的是报告等应用程序中使用的信念函数提供了一个方便的工具来处理？混乱的数据问题。
2013-01-23 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
Representing states in iterated belief revision
DIAG, Sapienza University of Rome（罗马萨皮恩扎大学DIAG）
本文研究了迭代信念修正中信念状态表示的空间增长问题，比较了四种存储方法，发现字典序表示比显式、层级和自然表示更紧凑。
2025-04-28 cs.AI
Fusion of evidential CNN classifiers for image classification
Université de technologie de Compiègne（贡比涅技术大学）；Institut universitaire de France（法国大学研究院）
提出了一种基于置信函数的卷积神经网络信息融合方法。在这种方法中，几个预先训练的基于DS的CNN架构从输入图像中提取特征，并将其转换为不同识别帧上的质量函数。然后，融合模块使用Dempster规则聚合这些质量函数。端到端的学习过程允许我们使用带有软标签的学习集来微调整体架构，这进一步提高了分类性能。使用三个基准数据库的实验证明了这种方法的有效性。
2021-08-23 cs.AI cs.CV
Combining partially independent belief functions
University of Tunis（突尼斯大学）；University of Rennes1（雷恩第一大学）；University of Carthage（迦太基大学）
信度函数理论管理不确定性，并提出了一套组合规则来聚合多个来源的意见。有些合并规则混合证据信息的来源是独立的，其他规则适合于合并证据信息的依赖源。在本文中，我们有两个主要的贡献：首先，我们提出了一种方法来量化源的独立程度，可以指导选择更合适的组合规则。其次，我们提出了一个新的组合规则，考虑到源的独立程度。所提出的方法是说明生成的质量函数。
2015-03-17 cs.AI
Belief Approach for Social Networks
LARODEC, IHEC（LARODEC，IHEC（迦太基高等商学院））；IRISA, université de Rennes 1（IRISA，雷恩第一大学）
如今，社交网络在个人之间的信息交流中变得至关重要。事实上，作为这些网络的用户，我们可以根据连接我们的链接向其他人发送信息。此外，考虑到大量的交换消息，检测接收到的消息的真实性质成为一个挑战。为了这个目的，它是有趣的，考虑这一新的趋势与推理下的不确定性，通过使用理论的信念功能。在本文中，我们试图将社会网络建模为信息融合的网络，并通过提出一个新的模型：信念社会网络来确定在一个定义明确的节点中接收到的消息的真实性质。
2015-01-20 cs.AI cs.SI
Simplified Continuous High Dimensional Belief Space Planning with Adaptive Probabilistic Belief-dependent Constraints
Technion - Israel Institute of Technology（以色列理工学院）
部分可观测域不确定性下的在线决策，也称为信念空间规划，是机器人学和人工智能中的一个基本问题。由于未来存在大量看似合理的解释，计算最优行动方案给智能体带来了巨大的计算负担。此外，在许多情况下，例如，在信息收集中，需要引入依赖于信念的约束。基于这一需求，本文考虑了最近提出的概率信念依赖约束POMDP。我们提出了一种技术，自适应地接受或放弃一个候选动作序列的概率信念依赖的约束，扩展一个完整的未来观测样本集之前，没有任何损失的准确性。此外，使用我们提出的框架，我们贡献了一种自适应方法来找到最大可行回报（例如，信息增益）在风险价值方面的候选动作序列具有实质性的加速。最重要的是，我们引入了一个自适应简化技术的概率约束设置。这种方法可以证明返回一个相同质量的解决方案，同时大大加快在线决策。我们的通用框架适用于任何信念依赖约束连续POMDP参数信念，以及粒子表示的非参数信念。在信息理论约束的背景下，我们提出的框架随机量化，如果沿规划范围的累积信息增益是足够显着的（例如，信息收集，主动SLAM）。我们将我们的方法应用到主动SLAM，一个具有高度挑战性的高维信念空间规划问题。广泛的现实模拟证实了我们提出的想法的优越性。
2023-02-13 cs.AI cs.RO
Auditing Belief-Conditioned LLM Agents in Hidden-Information Social Deduction Games
University of Melbourne（墨尔本大学）
研究在9人狼人杀环境中评估大语言模型智能体的难题，构建可审计框架，通过1080场游戏实验发现主动信念条件下好人方结果更好，虽未明确信念内容作用机制，但框架有使效应可测等贡献，将外部信念定位为可审计认知基线。
2026-07-14 cs.AI cs.MA
Coherence, Belief Expansion and Bayesian Networks
我们构造了一个概率一致性测度的信息集，它决定了一个偏一致性排序。这一措施被应用于构建一个标准，以扩大我们的信念，面对新的信息。许多理想化的做法可以通过诉诸贝叶斯网络来放松。
2000-03-08 cs.AI cs.LO
Updating belief functions over Belnap--Dunn logic
INSA Centre Val de Loire（中央卢瓦尔河谷国立应用科学学院）；Univ. Orléans（奥尔良大学）；Czech Academy of Sciences（捷克科学院）
置信度和可信度是比概率更弱的不确定性度量。它们的动机是当完全的概率信息不可用时的情况。然而，信息也可能是矛盾的。因此，经典逻辑的框架不一定是最合适的。Belnap-Dunn逻辑被用来推理不完整和矛盾的信息。Klein等人和Bilkova等人分别将概率测度和置信函数的概念推广到Belnap-Dunn逻辑。在这篇文章中，我们研究了如何用新的信息更新信念函数。我们提出了第一种方法，通过Belnap-Dunn逻辑的框架语义。
2022-05-30 cs.AI cs.LO math.PR
A Linear Belief Function Approach to Portfolio Evaluation
University of Kansas（堪萨斯大学）；University of Akron（阿克伦大学）
通过详细阐述线性信念函数的概念（Dempster 1990; Liu 1996），我们提出了一种使用线性信念函数的专家系统的知识表示的基本方法。我们展示了如何使用基本矩阵来表示市场信息和金融知识，包括完全无知，统计观察，主观猜测，分布假设，线性关系和经验资产定价模型。然后，我们呼吁邓普斯特的规则的组合，以整合的知识，评估投资组合的表现的整体信念，并更新的信念，将额外的信息。我们用三只黄金股票的例子来说明这种方法。
2012-10-19 cs.AI q-fin.ST
Higher-Order Belief in Incomplete Information MAIDs
University of Oxford（牛津大学）；Columbia University（哥伦比亚大学）；Imperial College London（伦敦帝国学院）
本文提出不完全信息多智能体影响图（II-MAIDs），建立其与无共同先验不完全信息扩展式博弈的等价关系，并基于递归最佳响应定义更现实的解概念，以建模智能体间的高阶信念差异。
2025-03-08 cs.AI cs.MA
Simplified Belief-Dependent Reward MCTS Planning with Guaranteed Tree Consistency
Technion - Israel Institute of Technology（以色列理工学院）
部分可观测马尔可夫决策过程（POMDP）是众所周知的难以解决。最先进的在线求解器利用蒙特卡罗树搜索（MCTS）的思想。这些求解器快速收敛到信念树的最有希望的分支，避免了次优部分。这些算法中的大多数被设计为利用直接访问状态奖励，并假设信念依赖的奖励只不过是对状态奖励的期望。因此，它们不适用于更普遍和更基本的信念依赖性奖励设置。这种奖励的一个例子是使用信念的一组加权粒子近似的微分熵。这样的信息论奖励引入了显著的计算负担。在本文中，我们嵌入的范式简化MCTS算法。特别是，我们提出了简化的信息理论粒子滤波树（SITH-PFT），一种新的变体的MCTS算法，考虑信息理论的奖励，但避免了需要完全计算它们。我们取代了昂贵的计算信息理论的奖励与自适应的上限和下限。这些界限易于计算，并且仅根据算法的要求而收紧。至关重要的是，我们保证了与MCTS完全相同的信念树和解决方案，MCTS明确计算了原始的信息理论奖励。我们的方法是一般性的;也就是说，可以容易地插入任何收敛到回报界限的算法，以实现实质上的加速而没有任何性能损失。
2021-05-29 cs.AI cs.RO
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
Belief in False Information: A Human-Centered Security Risk in Sociotechnical Systems
Heilbronn University（海尔布隆大学）；University of Hagen（哈根大学）
本文探讨了虚假信息信念的社会技术系统安全风险，分析了影响因素并提出预防策略以增强社会韧性。
2026-01-11 cs.AI cs.CR cs.CY
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
A Layer-Wise Information Reinforcement Approach to Improve Learning in Deep Belief Networks
São Paulo State University - UNESP（圣保罗州立大学（UNESP））；Recogna Laboratory（Recogna实验室）
随着深度学习的出现，提出新方法或改进现有方法的作品数量在过去几年中呈指数级增长。在这种情况下，“非常深”的模型出现了，一旦它们被期望提取更多的内在和抽象特征，同时支持更好的性能。然而，这样的模型遭受梯度消失问题，即，反向传播值在其较浅的层中变得太接近于零，最终导致学习停滞。在卷积神经网络的上下文中，通过在所谓的深度残差学习框架中创建层之间的“快捷连接”来克服这样的问题。尽管如此，一种非常流行的深度学习技术，称为深度信念网络，在处理区分性任务时仍然会遇到梯度消失的问题。因此，本文提出了残差深度信念网络，该网络考虑了逐层信息强化，提高了特征提取和知识保持能力，支持更好的鉴别性能。在三个公开数据集上进行的实验表明，该算法对二值图像分类任务具有较好的鲁棒性。
2021-01-17 cs.AI cs.LG
Applying Maxi-adjustment to Adaptive Information Filtering Agents
学习和适应是智能代理的基本属性。在自适应信息过滤的上下文中，过滤代理关于用户的信息需求的信念必须参照用户的最新信息偏好来定期修改。这种学习和适应过程对于保持代理的过滤性能是必不可少的。AGM信念修正范式提供了一个严格的基础建模理性和最小的变化代理的信念。特别是，最大调整方法，它遵循AGM的信念改变的基本原理，提供了一个健全的和强大的计算机制来开发自适应代理，使这些代理的学习自主性可以提高。本文介绍了如何应用最大调整方法来开发自适应信息过滤代理的学习组件，并讨论了应用这样的框架，这些代理可能遇到的困难。
2000-03-08 cs.AI cs.MA
Belief States for Cooperative Multi-Agent Reinforcement Learning under Partial Observability
Imperial College London（帝国理工学院）
本文提出利用自监督预训练的概率信念模型生成信念状态，并将其与基于状态的强化学习算法结合，以简化策略和价值函数学习，从而提升部分可观测条件下协作多智能体强化学习的收敛速度与最终性能。
2025-04-11 cs.AI cs.LG
Forgetting in short and heterogeneous sequences of belief revisions
DIAG, Sapienza University of Rome（罗马萨皮恩扎大学DIAG）
该研究聚焦信念修正序列中的遗忘问题，证明了相关场景的复杂度下界，提出了两次词典序Horn修正场景下的多项式算法，并将异构序列的难性从coNP提升至Dp。
2025-05-16 cs.AI cs.CC
Multi-Agent Decentralized Belief Propagation on Graphs
Qualcomm（高通）；Northwestern University（西北大学）
我们考虑的问题的交互式部分可观察马尔可夫决策过程（I-POMDPs），其中代理位于通信网络的节点。具体来说，我们假设所有消息都有一个特定的消息类型。此外，每个代理根据交互式信念状态、本地观察到的信息以及通过网络从其邻居接收到的消息做出单独的决策。在这种情况下，代理的集体目标是通过与邻居交换信息来最大化网络上的全局平均回报。我们提出了一个分散的信念传播算法，并证明了我们的算法的收敛性。最后，我们展示了我们的框架的多个应用程序。我们的工作似乎是第一次研究分散的信念传播算法的网络多智能体I-POMDPs。
2020-11-10 cs.AI cs.LG
Designing a Belief Function-Based Accessibility Indicator to Improve Web Browsing for Disabled People
University of Rennes 1（雷恩第一大学）
本研究的目的是提供一个网页的可访问性测量，以吸引残疾人用户的网页，已被设计为他们可以访问。我们的方法是基于信念函数的理论，使用的数据是由自动网页内容评估器，测试的有效性由万维网联盟（W3C）组织提出的WCAG 2.0准则定义的标准所产生的报告。这些工具以逐渐确定的程度检测错误，其结果并不总是收敛。基于这些原因，为了融合来自报告的信息，我们选择使用一个信息融合框架，该框架可以考虑信息的不确定性和不精确性以及来源之间的差异。我们的无障碍指标涵盖四类缺陷。为了验证在这种情况下的理论方法，我们提出了一个评价完成语料库的100个访问量最大的法国新闻网站，和2个评价工具。所获得的结果说明了我们的无障碍指标的利益。
2015-01-20 cs.AI cs.HC
The belief-action gap in language model agents
University of Cambridge（剑桥大学）；Utrecht University（乌得勒支大学）；University of York（约克大学）；University College London, University of London（伦敦大学学院（伦敦大学））；TKH AI Technology（TKH人工智能技术公司）；University of Pennsylvania（宾夕法尼亚大学）
该研究针对语言模型智能体在文本网格世界中存在的信念-行动差距问题，通过探测与逆强化学习等方法分析信息与行动的转化机制，发现部分失效源于信息转化而非信息缺失。
2026-10-14 cs.AI cs.CL cs.LG
