A Forgetting-based Approach to Merging Knowledge Bases
Peking University（北京大学）
本文提出了一种基于变量遗忘的多知识库合并方法，该方法通过对给定变量进行过滤来解决知识库之间的矛盾。本文首先利用膨胀建立了信念合并与变量遗忘之间的关系。变量遗忘被用于捕获信念合并操作。最后，通过对候选变量的修改，提出了一些新的合并算子，以弥补传统合并算子的不足。与传统合并算子的模型选择不同，新算子中的变量选择可以提供整个知识库中原子变量的直观信息。
2013-01-10 cs.AI
Distributing Knowledge into Simple Bases
Institute of Information Systems（信息系统研究所）；TU Wien（维也纳工业大学）
在过去的几年里，理解经典逻辑片段的信念改变算子的行为受到了越来越多的关注。在这个方向上的结果主要涉及适应表示定理。然而，碎片驱动的信念变化也导致了新的研究问题。在本文中，我们提出了信念分布的概念，这可以理解为合并的反向任务。更具体地说，我们感兴趣的是以下问题：给定一个任意的知识库$K$和一些合并操作$Δ$，我们可以找到一个配置文件$E$和一个约束$μ$，都从一个给定的片段的经典逻辑，使$Δ_μ(E)$产生一个结果相当于$K$？换句话说，我们感兴趣的是，如果$K$可以被分布到更简单的结构的知识库，这样的合并任务允许重建的原始知识。我们的初步结果表明，合并的基础上激烈的距离允许一个简单的知识分布，而权力的分布运营商的基础上汉明距离在很大程度上依赖于选择的片段。
2016-03-31 cs.AI
Notes on neighborhood semantics for logics of unknown truths and false beliefs
School of Humanities, University of Chinese Academy of Sciences（中国科学院大学人文学院）
在这篇文章中，我们研究了在邻域语义下的未知真和假信念逻辑。我们比较了这两种逻辑的相对表现力。事实证明，它们在不同类别的邻域模型上是不可比较的，并且这两种逻辑的组合在任何类别的邻域模型上都具有标准模态逻辑的表达能力。我们为每一个逻辑提出了态射，它可以帮助我们探索框架可定义性问题，给出一个一般的可靠性和完备性结果，并推广了文献中的一些结果。我们公理化的两个逻辑在不同类别的邻域框架。最后，我们将结果推广到公告的情形，这对Moore判决和其他一些判决有很好的应用。
2020-02-22 cs.AI math.LO
Learning Probabilities: Towards a Logic of Statistical Learning
University of Amsterdam（阿姆斯特丹大学）；University of Bayreuth（拜罗伊特大学）
我们提出了一个新的模型，用于形成信念和学习未知的概率（例如从一个带有未知分布的彩色大理石的袋子中挑选红色大理石的概率）。对于这种“根本不确定性”的情况，最普遍的模型是不精确的概率，即将代理人的知识表示为一组概率度量。我们在这个模型中添加了一个可扩展性图，将每个度量与可扩展性数相关联，作为一种超越已知确定性的方式，并表示代理对概率的信念。有一些标准的例子：香农熵，质心等，然后我们考虑学习两种类型的信息：（1）通过重复采样从未知分布（例如从袋子里捡弹珠）学习;（2）学习关于分布的高阶信息（以线性不等式的形式，例如我们被告知红色弹珠比绿色弹珠多）。第一种方法只改变可扩展性图（通过贝叶斯规则的“可扩展性”版本），但保持给定的度量集不变;第二种方法缩小了度量集，但不改变它们的可扩展性。信念的定义与信念修正理论相同，即在最可信的世界中的真理。但是我们的信念改变不符合标准AGM公理，因为由（1）引起的修正是非AGM类型的。这是必不可少的，因为它允许我们的代理学习真实的概率：我们证明了通过重复采样获得的信念几乎肯定会收敛到正确的信念（在真实概率中）。最后，我们勾勒出统计学习的动态doxastic逻辑的轮廓。
2019-07-22 cs.AI cs.LO
Who's the Expert? On Multi-source Belief Change
Cardiff University（卡迪夫大学）
考虑以下信念改变/合并场景。一组信息源给出关于在各种情况下（例如，不同时间点）的世界状态的一系列报告。这些情况下的真实状态对我们来说是未知的。这些消息来源有不同程度的专业知识，我们也不知道，可能对某些主题很了解，但对其他主题却不了解。这可能导致消息来源在他们缺乏专业知识的领域报告虚假陈述。根据这些报告，我们应该相信什么？我们提供了一个框架，在其中探索这个问题，基于扩展的命题逻辑与专业知识公式。这种扩展的语言使我们能够在每个实例中表达关于世界状态的信念，以及关于每个来源的专业知识的信念。我们提出了几个假设，提供了几个家庭的具体运营商，并分析这些运营商的假设。
2022-04-29 cs.AI
MUI-TARE: Multi-Agent Cooperative Exploration with Unknown Initial Position
Carnegie Mellon University（卡内基梅隆大学）
在初始位置未知的情况下，多智能体探索有界三维环境是一个具有挑战性的问题。它需要快速探索环境，以及稳健地合并由代理构建的子地图。我们认为，现有的方法要么是积极的或保守的：积极的策略合并两个子地图由不同的代理建立在一起时，重叠被检测到，这可能会导致不正确的合并，由于假阳性检测的重叠，因此是不稳健的。保守策略会导致一个智能体在合并前重新访问另一个智能体的大量历史轨迹以进行验证，这会由于对同一空间的重复探索而降低探索效率。为了智能地平衡子地图合并的鲁棒性和探索效率，我们开发了一种新的方法，用于基于激光雷达的多智能体探索，该方法可以基于子地图合并过程的质量指标，指导一个智能体以\emph{adaptive}方式重复另一个智能体的轨迹。此外，我们的方法扩展了最近的单代理分层勘探策略，多个代理在\emph{cooperative}的方式，规划代理合并子地图在一起，以进一步提高勘探效率。我们的实验表明，我们的方法是高达50%以上的效率比基线的平均同时合并子地图鲁棒。
2022-09-22 cs.AI cs.RO
When Agents Say One Thing and Do Another: Validating Elicited Beliefs from LLMs
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
本文提出一种决策理论框架，通过提取概率判断和决策并检验其一致性，验证LLMs的信念是否合理，发现最强模型的不一致程度较小。
2026-09-09 cs.AI
Decision Support with Belief Functions Theory for Seabed Characterization
ENSIETA（法国国立高等工程技术学院（布雷斯特））
由于声纳图像产生的数据和未知的环境，即使对于人类专家来说，也是一项非常困难的任务。在这项工作中，我们提出了一个原始的方法，以结合二进制分类器所产生的不同种类的战略，如一对一或一对休息，通常用于SVM分类。来自这些二进制分类器的决策函数被解释为信念函数，以便将这些函数与信念函数理论的众多运算符之一相结合。此外，决策函数的这种解释使我们能够提出一个决策过程，考虑到被拒绝的观察远离学习数据，并在类的工会给出不精确的决定。这种新的方法说明和评价与支持向量机，以分类不同类型的沉积物图像声纳。
2008-05-26 cs.AI cs.IT math.IT
Bayesian Incremental Inference Update by Re-using Calculations from Belief Space Planning: A New Paradigm
Technion - Israel Institute of Technology（以色列理工学院）
不确定性下的推理和决策是每个自主系统和许多机器人问题的关键过程。近年来，推理和决策之间的相似性引发了许多工作，从开发统一的计算框架到思考两者之间的二重性。尽管这些努力，推理和控制，以及推理和信念空间规划（BSP）仍然被视为两个独立的过程。在本文中，我们提出了一种范式转换，一种新的方法，它偏离了传统的贝叶斯推理，并利用推理和BSP之间的相似性。我们的关键观察是，即使在两者之间的数据关联不一致的情况下，也可以使用在决策阶段做出的预测来有效地更新推断。我们开发了一个两阶段的过程，实现了我们的新方法，并更新推理使用的计算从初步规划阶段。在未知环境中使用自主导航以及iSAM 2有效方法作为测试用例，我们将我们的新方法与标准贝叶斯推理进行了基准测试，包括合成数据和真实数据（KITTI数据集）。结果表明，我们的方法不仅提高了运行时间的至少一个因素的两个，同时提供相同的估计精度，但它也简化了状态维数和循环闭合的计算负担。
2021-01-05 cs.AI
Towards Merging-conditional Backdoor Unalignment against Large Language Models
State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全全国重点实验室）；Tongyi Lab, Alibaba Group Nanyang Technological University（阿里巴巴集团通义实验室南洋理工大学）；City University of Hong Kong（香港城市大学）
该研究针对大语言模型的合并场景提出新型单侧合并条件后门攻击框架SMOKE，可植入难以检测的后门，触发安全失准，验证了其有效性与对现有检测的抗性，揭示了模型合并的潜在漏洞。
2026-10-14 cs.AI cs.CL cs.CR
FW-Merging: Scaling Model Merging with Frank-Wolfe Optimization
Imperial College London, UK（伦敦帝国学院）；Samsung AI Center, Cambridge, UK（三星AI研究中心）
本文提出 FW-Merging，将模型合并建模为约束优化并用 Frank-Wolfe 迭代选择与局部更新，实现多来源、大规模检查点合并，在 20 个 ViT 模型上显著优于现有方法且内存恒定。
2025-09-29 cs.AI cs.LG
Finding undetected protein associations in cell signaling by belief propagation
LBBE, CNRS UMR 5558, Université Lyon 1（里昂第一大学CNRS UMR 5558计算与进化生物学实验室）；Microsoft Research New England（微软新英格兰研究院）；Human Genetics Foundation（人类遗传学基金会）；Politecnico di Torino（都灵理工大学）；Université of Toulouse（图卢兹大学）；UMR CNRS-INSA 5504（法国国家科学研究中心-图卢兹国立应用科学学院UMR 5504联合研究单位）；INRA 792（法国国家农业研究院792研究单位）
外部信息主要通过信号级联和转录激活在细胞中传播，使其能够对广泛的环境变化做出反应。高通量实验确定了许多分子组成的级联反应，但可能通过未知的合作伙伴相互作用。它们中的一些可以使用来自蛋白质相互作用网络和mRNA表达谱的整合的数据来检测。这个推理问题可以映射到由这些数据集定义的网络中找到合适的最佳连通子图的问题。优化过程在一般情况下是计算上难以处理的。在这里，我们提出了一个新的分布式算法，为这项任务，从统计物理学的启发，并将此计划的α因子和药物扰动数据在酵母。我们确定了COS8蛋白的作用，这是一个以前未知功能的基因家族的成员，并通过遗传实验验证了结果。我们提出的算法是特别适合于非常大的数据集，可以并行运行，并可以适应其他问题的系统生物学。在著名的基准测试中，它优于该领域的其他算法。
2011-01-24 cond-mat.stat-mech cs.AI cs.CE
