Uncertainty Aware AI ML: Why and How
ARL(陆军研究实验室);Cardiff University(卡迪夫大学);Ozyegin University(厄兹耶金大学);Intelpoint Inc.(Intelpoint公司)
本文认为,需要研究实现不确定性感知的人工智能和机器学习(AI\&ML)系统的决策支持,通过描述一些激励方案。此外,本文定义了不确定性意识,并列出了挑战,以及调查一些有前途的研究方向。理论演示说明了两种新兴的不确定性感知ML和AI技术如何集成,并对路线规划操作具有价值。
2018-09-20 cs.AI
Asymptotic Logical Uncertainty and The Benford Test
University of California Los Angeles(加州大学洛杉矶分校);Machine Intelligence Research Institute(机器智能研究所);University of Southern California(南加州大学)
我们给出一个算法A,它分配概率的逻辑句子。对于任何简单的无限序列的句子,其真值看起来与以概率p输出“真”的有偏硬币不可区分,我们有A赋予这些句子的概率序列收敛于p。
2015-10-12 cs.AI cs.LG
Temporal Logics Over Finite Traces with Uncertainty (Technical Report)
University of Tartu(塔尔图大学);Free University of Bozen-Bolzano(博尔扎诺自由大学);University of Milano-Bicocca(米兰比可卡大学)
有限迹上的时态逻辑最近在许多领域得到了广泛的应用,从业务流程建模、监控和挖掘到规划和决策。然而,现实生活中的动态系统包含一定程度的不确定性,这是经典逻辑无法处理的。因此,我们提出了一个新的概率时序逻辑有限的痕迹使用叠加语义,所有可能的演变是可能的,直到观察。我们研究了逻辑的属性,并提供了基于自动机的机制,用于从其公式中导出概率推理。然后,我们研究的逻辑具有更好的计算性能的片段。值得注意的是,可以使用现成的现有声明性进程发现技术从事件日志数据中发现该片段中的公式。
2019-11-18 cs.AI cs.LO
Discourse-Aware Graph Networks for Textual Logical Reasoning
Sun Yat-sen University(中山大学);Tencent AI Lab(腾讯人工智能实验室);Huawei(华为);University of Liverpool(利物浦大学)
本文提出语篇感知图网络DAGNs,通过构建逻辑图并端到端演化逻辑关系来增强文本逻辑推理问答能力,实验验证了其有效性和泛化性。
2023-04-19 cs.AI cs.CL
Uncertainty-Aware Multiple Instance Learning from Large-Scale Long Time Series Data
Rochester Institute of Technology(罗切斯特理工学院)
我们提出了一个新的框架来分类大规模的时间序列数据与长持续时间。长时间序列分类(L-TSC)是一个具有挑战性的问题,因为数据中往往包含大量与分类目标无关的信息.针对相关性未知时,不相关周期会降低分类性能的问题,提出了一种不确定性感知的多实例学习(MIL)框架来自动识别最相关周期。预测的不确定性使设计一个注意力机制,迫使MIL模型从可能的判别期学习。此外,预测的不确定性产生一个原则性的估计,以确定是否预测是值得信赖的或不。我们进一步结合另一种模式,通过基于其可用性训练一个单独的模型来适应不可靠的预测,并进行不确定性感知融合来产生最终的预测。对自动识别系统(AIS)数据进行系统评估,收集这些数据以识别和跟踪真实世界的船舶。实验结果表明,该方法可以有效地检测基于轨迹的船舶类型,并且与其他可用数据形式(合成孔径雷达或SAR图像)的不确定性感知融合可以进一步提高检测精度.
2021-11-21 cs.AI
Foundations of Reasoning with Uncertainty via Real-valued Logics
IBM Research(IBM研究院)
实值逻辑是越来越多的神经符号方法的基础,尽管它们的逻辑推理能力通常只定性地描述。我们为建立这种系统的正确性和功能提供了基础。我们给出了一个健全的和强完备的公理化,可以参数化,以涵盖基本上每一个实值逻辑,包括所有常见的模糊逻辑。我们的句子类非常丰富,每个句子描述了实值逻辑的公式集合的一组可能的实值,包括哪些实值组合是可能的。强完备性允许我们精确地推导出关于给定的关于其他几个公式集合的实值组合的信息的公式集合的实值组合的信息。然后,我们扩展公理化处理加权子公式。最后,我们给出了一个基于线性规划的决策过程,对于某些实值逻辑,在某些自然假设下,我们的一组句子在逻辑上是否意味着另一个句子。
2022-08-30 cs.AI cs.LO
A Logic for Reasoning about Upper Probabilities
Cornell University(康奈尔大学)
我们提出了一个命题逻辑推理的不确定性事件,其中的不确定性是由一组概率的措施分配一个概率的间隔,每个事件建模。我们给出了该逻辑的一个完备公理化,并证明了可满足性问题是NP-完全的,并不比命题逻辑的可满足性问题难。
2014-08-07 cs.AI cs.LO
A logic for reasoning about upper probabilities
我们提出了一个命题逻辑%,它可以用来推理的不确定性事件,其中的不确定性是由一组概率的措施分配一个区间的概率为每个事件建模。我们给出了该逻辑的一个完备公理化,并证明了可满足性问题是NP-完全的,并不比命题逻辑的可满足性问题难。
2003-07-30 cs.AI cs.LO
SALA: Semantic-Aware Logical Alignment for Complex Reasoning in In-Context Learning
School of Software Engineering, Sun Yat-sen University(中山大学软件工程学院);School of Artificial Intelligence, Sun Yat-sen University(中山大学人工智能学院);Merchants Union Consumer Finance Company Limited(招商局联融消费金融股份有限公司)
针对上下文学习中传统示例选择方法无法捕捉推理逻辑、刚性逻辑方法适配性差的问题,提出SALA框架,通过自动学习任务特定推理操作并结合动态时间规整实现灵活可解释的逻辑对齐,在多基准和多LLM上性能优于现有方法。
2026-09-03 cs.AI cs.CL
Probability Logic
University of Regensburg(雷根斯堡大学)
本章将概率逻辑作为人类在不确定性条件下进行推理的理性框架。选择的形式规范方面的概率逻辑进行了讨论,根据实验证据。具体地说,概率逻辑的特征是二价真值函数命题逻辑(简称“逻辑”)的推广,是连通的,是非单调的。本章讨论了选定的参数形式和相关的不确定性传播规则。在整个章节中,概率逻辑的描述有效性与逻辑进行了比较,后者被用作评估20世纪人类推理合理性的黄金参考标准。
2019-10-15 cs.AI math.LO math.PR
Concerning Uncertainty -- A Systematic Survey of Uncertainty-Aware XAI
本文系统调研了将不确定性纳入解释性流程的方法,指出三种不确定性量化方法及整合策略,强调评价实践碎片化,呼吁统一评估原则以提升解释性与可靠性的一致性。
2026-03-27 cs.AI cs.LG
Exploiting Uncertainty for Querying Inconsistent Description Logics Knowledge Bases
本文利用DISPONTE概率语义处理描述逻辑知识库的不一致性问题,在TRILL和BUNDLE推理器中实现并验证,并与修复语义进行形式化比较。
2025-08-04 cs.AI cs.LO
Uncertainty-aware INVASE: Enhanced Breast Cancer Diagnosis Feature Selection
Peking University(北京大学);Virginia Military Institute(弗吉尼亚军事学院)
在本文中,我们提出了一个不确定性感知的INVASE来量化医疗保健问题的预测置信度。通过引入可学习的高斯分布,我们将它们的方差进行统计,以衡量不确定性的程度。基于vanilla INVASE,提出了两个附加模块,即,预测器中的不确定性量化模块和选择器中的奖励塑造模块。我们在UCI-WDBC数据集上进行了广泛的实验。值得注意的是,我们的方法消除了几乎所有的预测偏差,只有大约20%的查询,而不确定性不可知的对应需要近100%的查询。在https://github.com/jx-zhong-for-academic-purpose/Uncertainty-aware-INVASE/blob/main/tutorialinvase%2B.ipynb上可以找到带有详细教程的开源实现。
2021-05-04 cs.AI cs.CV cs.LG
PPO-UE: Proximal Policy Optimization via Uncertainty-Aware Exploration
Virginia Tech(弗吉尼亚理工大学);University of Oslo(奥斯陆大学);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);University of Texas at Dallas(德克萨斯大学达拉斯分校);University of the District of Columbia(哥伦比亚特区大学)
近端策略优化(PPO)是一种非常流行的基于策略的深度强化学习(DRL)方法。然而,我们观察到PPO中的同质探索过程可能会在训练阶段导致意想不到的稳定性问题。为了解决这个问题,我们提出了PPO-UE,一个PPO的变种配备了自适应的不确定性感知探索(UE)的基础上的比例不确定性水平。所提出的PPO-UE被设计为以优化的比率不确定性水平来提高收敛速度和性能。通过广泛的灵敏度分析,通过改变比例的不确定性水平,我们提出的PPO-UE在Roboschool连续控制任务中大大优于基线PPO。
2022-12-13 cs.AI cs.LG
The PITA System: Tabling and Answer Subsumption for Reasoning under Uncertainty
University of Ferrara(费拉拉大学);Universidade Nova de Lisboa(新里斯本大学)
许多现实世界的领域需要表示的不确定性的措施。最常见的这种表示是概率,概率与逻辑程序的结合产生了概率逻辑编程(PLP)领域,导致了诸如独立选择逻辑、带有注释析取的逻辑程序(LPAD)、Problog、PRISM等语言。这些语言共享类似的分布语义,并且已经设计了在这些语言之间翻译程序的方法。计算对这些通用PLP程序的查询的概率的复杂性非常高,这是由于需要组合可能不是排他性的解释的概率。作为一种替代方案,PRISM系统通过限制它可以评估的程序的形式来降低查询回答的复杂性。作为一种完全不同的替代方案,可能性逻辑程序采用比概率更简单的不确定性度量。这些方法中的每一种--一般PLP、限制PLP和可能性逻辑编程--都可以在不同的领域中使用,这取决于要表示的不确定性的形式、建模问题所需的程序的形式以及要解决的问题的规模。在本文中,我们将展示如何PITA系统,它最初支持的LPAD的通用PLP语言,也可以有效地支持受限PLP和可能性逻辑程序。PITA依赖于带有答案包容的制表,由转换和与答案包容接口的库函数API组成。
2011-07-24 cs.AI cs.LO cs.PL
Uncertainty-Aware Dynamic Knowledge Graphs for Reliable Question Answering
Fujitsu Research(Fujitsu 研究所);Macquarie University(麦考瑞大学)
本文提出了一种考虑不确定性的动态知识图谱框架,通过动态构建、置信度评分和交互式界面提升问答系统的可靠性和透明度。
2025-12-26 cs.AI cs.CL
A New Type-II Fuzzy Logic Based Controller for Non-linear Dynamical Systems with Application to a 3-PSP Parallel Robot
Ferdowsi University of Mashhad(马什哈德菲尔多西大学)
本文提出一种基于类型-II 模糊逻辑的控制器,用于非线性动力学系统,应用于3-PSP并联机器人,以应对不确定性问题。
2016-12-05 cs.AI cs.SY eess.SY
Uncertainty-Aware Boosted Ensembling in Multi-Modal Settings
BITS Pilani, K K Birla Goa Campus(比拉理工学院皮拉尼校区果阿分校);Harvard Medical School(哈佛医学院)
机器学习(ML)系统的可靠性在医疗保健等安全关键型应用中至关重要,而不确定性估计是一种广泛研究的方法,用于突出ML系统在部署中的置信度。顺序和并行集成技术已经显示出通过一起利用特征集来提高ML系统在多模态设置中的性能。我们提出了一种用于多模态集成的不确定性感知提升技术,以便专注于具有较高相关不确定性估计的数据点,而不是具有较高损失值的数据点。我们评估这种方法对涉及现实世界的多模态语音和文本数据的痴呆症和帕金森病相关的医疗保健任务,其中我们的方法显示出改进的性能。进一步的分析表明,将不确定性意识引入到增强的集合中会降低系统的整体熵,使其对数据中的异方差更鲁棒,并更好地校准每个模态以及高质量的预测区间。我们在https://github.com/usarawgi911/Uncertainty-aware-boosting上开源了整个代码库
2021-04-21 cs.AI cs.LG
Truth-Aware Decoding: A Program-Logic Approach to Factual Language Generation
Lightcap;Bahcesehir University(巴赫切塞希尔大学)
本文提出Truth-Aware Decoding(TAD),一种基于程序逻辑的验证导向解码方案,通过语义守卫格约束生成过程,在保持吞吐量的同时减少幻觉,并提供了理论证明与Lean形式化验证。
2025-10-03 cs.AI cs.LO
$μ$DARTS: Model Uncertainty-Aware Differentiable Architecture Search
Georgia Institute of Technology(佐治亚理工学院);National Institute of Standards and Technology(美国国家标准与技术研究院);Colorado State University(科罗拉多州立大学)
我们提出了一个模型不确定性感知微分ARCHITECTURE搜索($μ$ DARTS),优化神经网络,同时实现高精度和低不确定性。我们在DARTS单元中引入具体的dropout,并在训练损失中包含Monte-Carlo正则化器以优化具体的dropout概率。在验证损失中引入了预测方差项,以使搜索具有最小模型不确定性的架构成为可能。在CIFAR 10、CIFAR 100、SVHN和ImageNet上的实验验证了$μ$ DARTS方法在提高精度和降低不确定性方面的有效性。此外,从$μ$ DARTS获得的最终架构与从现有DARTS方法获得的架构相比,在输入图像和模型参数处显示出对噪声的更高鲁棒性。
2022-09-11 cs.AI cs.LG
Uncertainty-Aware Learning from Demonstration using Mixture Density Networks with Sampling-Free Variance Modeling
Seoul National University(首尔国立大学);Korea University(高丽大学)
在本文中,我们提出了一种不确定性感知的示教学习方法,提出了一种新的不确定性估计方法,利用混合密度网络建模复杂和嘈杂的人类行为。建议的不确定性采集可以用一个单一的前向路径,而无需蒙特卡罗采样,是适合于实时机器人应用。通过三个不同的合成例子,没有数据,重测量噪声,和组合功能的情况下,建议的不确定性度量的属性进行了分析。我们表明,每种情况下,可以区分使用所提出的不确定性措施,并提出了一个不确定性意识的学习,从演示方法的自动驾驶使用此属性。所提出的不确定性感知的示教学习方法在使用复杂的真实世界驾驶数据集的安全性方面优于其他比较方法。
2017-09-08 cs.AI cs.CV cs.LG
Enhancing Self-Driving Segmentation in Adverse Weather Conditions: A Dual Uncertainty-Aware Training Approach to SAM Optimization
Queen's University(女王大学)
针对SAM等视觉基础模型在恶劣天气下自动驾驶分割表现不佳的问题,提出两种不确定性感知优化方法,经多数据集验证有效提升了分割鲁棒性,为安全自动驾驶提供支撑。
2025-09-05 cs.AI cs.CV
A framework for Culture-aware Robots based on Fuzzy Logic
文化适应,即机器人的行为与使用者的文化规范和喜好相配合,是任何辅助应用成功的关键。然而,依赖于文化的机器人行为通常是由设计师隐含地设置的,因此不允许容易和自动地适应不同的文化。本文提出了一种方法,文化意识的机器人的设计,可以自动适应自己的行为,以符合给定的文化。我们提出了一个映射从文化因素到相关参数的机器人行为依赖于语言变量编码异质文化因素在一个统一的形式主义,和模糊规则编码多个变量之间的定性关系。我们说明了两个实际案例研究的方法。
2018-03-22 cs.AI cs.RO
Uncertainty-Aware Deep Learning Framework for Remaining Useful Life Prediction in Turbofan Engines with Learned Aleatoric Uncertainty
Krishang Sharma(独立研究者)
本文提出一种不确定性感知深度学习框架,通过概率建模直接学习数据固有不确定性,提升涡扇发动机剩余使用寿命预测的准确性和置信区间校准。
2025-11-26 cs.AI cs.LG
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
Adaptive Bi-Level Multi-Robot Task Allocation and Learning under Uncertainty with Temporal Logic Constraints
University of Minnesota, Twin Cities(明尼苏达大学双城分校);Boston University(波士顿大学)
提出双层多机器人框架,在未知转移模型下结合任务分配与分布式策略学习,利用实时执行数据自适应更新完成概率和奖励,并通过理论与仿真验证其满足时间窗时序逻辑的概率阈值。
2025-02-14 cs.AI cs.FL cs.RO
Pixel-global Self-supervised Learning with Uncertainty-aware Context Stabilizer
我们开发了一种新型的SSL方法来捕获相同图像的不同增强视图之间的全局一致性和像素级局部一致性,以适应下游的区分性和密集预测任务。我们采用了以前的对比SSL方法中使用的师生架构。在我们的方法中,通过聚合同一图像的增强视图的压缩表示来执行全局一致性。通过在不同增强视图中对相同像素进行相似表示来执行像素级一致性。重要的是,我们引入了一个不确定性感知的上下文稳定器,以自适应地保留由来自不同增强的两个视图所创建的上下文间隙。此外,我们在稳定器中使用Monte Carlo dropout来测量不确定性,并自适应地平衡不同视图中相同像素的表示之间的差异。
2022-10-02 cs.AI cs.CV
Uncertainty-Aware Deep Neural Representations for Visual Analysis of Vector Field Data
IIT Kanpur(印度理工学院坎普尔分校)
本研究针对深度神经网络缺乏内置不确定性度量机制的问题,开发不确定性感知隐式神经表征建模稳态矢量场,评估两种深度不确定性估计技术的效果,提升了模型鲁棒性与可解释性,可用于复杂矢量场的可视化分析。
2024-08-10 cs.AI cs.GR cs.LG
Uncertainty-Aware Regularization for Image-to-Image Translation
NTNU(挪威科技大学)
本文提出不确定性感知正则化UAR,结合偶然不确定性与参数简单先验,以提升医学I2I翻译的重建质量及噪声、伪影下的不确定性估计。
2024-11-24 cs.AI cs.CV eess.IV
UATTA-ENS: Uncertainty Aware Test Time Augmented Ensemble for PIRC Diabetic Retinopathy Detection
Manipal Institute of Technology(马尼帕尔理工学院);Manipal Academy of Higher Education(马尼帕尔高等教育学院)
深度嵌入卷积神经网络已成为分析医学图像的首选方法,其诊断性能与医生相当,包括糖尿病视网膜病变的诊断。然而,常用的技术是确定性的,因此无法提供任何估计的预测不确定性。量化模型的不确定性对于降低误诊风险至关重要。一个可靠的架构应该经过良好的校准,以避免过度自信的预测。为了解决这个问题,我们提出了一个UATTA-ENS:不确定性感知测试时间增强Entrance技术5类PIRC糖尿病视网膜病变分类,以产生可靠的和校准良好的预测。
2022-11-08 cs.AI cs.CV cs.LG
Uncertainty-Aware Task Allocation for Distributed Autonomous Robots
New Mexico State University(新墨西哥州立大学)
本文讨论了分布式自主机器人(DAR)的态势感知的任务分配问题与不确定性。任务分配过程中的不确定性传播是通过使用Sigma-Point采样机制的Unscented变换来完成的。它具有很大的潜力,被用于通用的任务分配方案,在这个意义上说,没有必要修改现有的任务分配方法,已开发不考虑的不确定性的态势感知。所提出的框架进行了测试,在模拟环境中,决策者需要确定分配给多个移动飞行机器人的位置来作为已知的均值和协方差的随机变量的多个位置的最优分配。仿真结果表明,所提出的随机任务分配方法产生的分配比不考虑不确定性的总成本减少30%。
2021-07-21 cs.AI cs.RO cs.SY
LevelSyn: Physical-Aware Logic Synthesis via Level-Asynchronous Graph Neural Networks
The Chinese University of Hong Kong(香港中文大学)
LevelSyn是一种基于层级异步GNN的物理感知逻辑综合框架,通过层级对齐子图划分策略适配工业级设计,在EPFL基准上较SOTA方法实现功耗降6.89%、延迟升27.48%,DRC违规减99.59%,可加速集成电路设计收敛。
2026-09-04 cs.AI cs.AR cs.LG
Visual-based Autonomous Driving Deployment from a Stochastic and Uncertainty-aware Perspective
The Hong Kong University of Science and Technology(香港科技大学)
端到端的基于视觉的模仿学习在自动驾驶中得到了广泛的应用。当部署经训练的基于视觉的驾驶策略时,通常直接应用确定性命令而不考虑输入数据的不确定性。这种政策在现实世界中的应用可能会带来巨大的损害。在本文中,我们遵循最近的real-to-sim管道,在使用训练策略时将测试世界图像转换回训练域。在翻译过程中,使用一个随机发生器来随机或定向地生成各种在训练域下风格化的图像。基于这些翻译的图像,训练的不确定性感知模仿学习策略将输出预测动作和由任意损失函数激励的数据不确定性。通过不确定性感知的模仿学习策略,我们可以很容易地在生成的图像中选择具有最低不确定性的最安全的图像。在Carla导航基准测试中的实验表明,我们的策略优于以前的方法,特别是在动态环境中。
2019-07-18 cs.AI cs.CV cs.RO
Mind the Uncertainty: Risk-Aware and Actively Exploring Model-Based Reinforcement Learning
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Tübingen(图宾根大学)
提出一种基于轨迹采样的模型强化学习方法,通过概率安全约束及分离认知与偶然不确定性来平衡乐观与悲观,有效管理风险,在不确定及安全关键的控制环境中表现优异。
2023-09-11 cs.AI cs.LG cs.RO
An Uncertainty-Aware Loss Function Incorporating Fuzzy Logic: Application to MRI Brain Image Segmentation
Department of Mathematics, Bareilly College, Bareilly (MJP Rohilkhand University), Uttar Pradesh(巴里利学院数学系,巴里利(MJP罗希尔坎德大学),乌塔尔 Pradesh);CSIR-Central Electronics Engineering Research Institute, Pilani, Rajasthan(CSIR-中央电子工程研究机构,比兰蒂,拉贾斯坦);CICMR, Regional Medical Research Center, Dibrugarh, India(CICMR,迪布格尔中心医学研究中心,印度);Department of Statistics, Bareilly College, Bareilly, Uttar Pradesh(巴里利学院统计系,巴里利,乌塔尔 Pradesh)
本文提出一种融合模糊逻辑的损失函数,用于解决MRI脑图像分割中的不确定性问题,通过结合分类交叉熵和模糊熵,提升分割性能和模型预测可靠性。
2026-04-13 cs.AI cs.CV cs.LG
An Explainable Agentic AI Framework for Uncertainty-Aware and Abstention-Enabled Acute Ischemic Stroke Imaging Decisions
Department of Computer Science and Engineering(计算机科学与工程系);Daffodil International University(达福尔国际大学)
本文提出了一种可解释的代理AI框架,用于在急性缺血性中风影像学中实现不确定性意识和选择性退避,以提高临床决策的安全性和透明性。
2026-01-03 cs.AI cs.CV eess.IV
Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
Jiaying University(嘉应学院)
在大数据时代,推荐系统作为我们日常生活中信息过滤的关键手段已经取得了显着的成功。近年来,推荐系统的技术发展经历了从感知学习到认知推理的过程,将推荐任务直观地构建为逻辑推理的过程,并取得了显著的进步。然而,推理中的逻辑陈述隐含地承认了排序的无关性,甚至没有考虑在许多推荐任务中起重要作用的时间信息。此外,结合时间上下文的推荐模型将倾向于自我关注,即,自动聚焦更多(更少)的相关性(无关性)。针对这些问题,本文提出了一种基于时间感知的自注意力神经协作推理(TiSANCR)推荐模型,将时间模式和自注意力机制集成到基于推理的推荐中。特别是,时间模式表示的相对时间,提供上下文和辅助信息来描述用户的偏好在推荐,而自我注意是利用提取信息模式和抑制无关。因此,自我注意的时间信息的融合提供了更深层次的表示用户的偏好。在基准数据集上进行的大量实验表明,提出的TiSANCR推荐算法性能显著提高,并且始终优于现有的推荐方法。
2022-08-29 cs.AI cs.IR cs.LG
Spatially-Aware Evaluation of Segmentation Uncertainty
Yale University(耶鲁大学)
针对现有不确定性评估忽略空间结构的问题,提出三种空间感知指标,结合边界信息,在前列腺分割挑战中验证,提升与临床因素的契合度及模式区分能力。
2025-06-19 cs.AI cs.CV cs.PF
Awareness Logic: A Kripke-based Rendition of the Heifetz-Meier-Schipper Model
Center for Information and Bubble Studies, University of Copenhagen(哥本哈根大学信息与泡沫研究中心)
Heifetz,Meier和Schipper(HMS)提出了意识的晶格模型。HMS模型是无语法的,这排除了依赖于形式语言来诱导格的简单选择,并且用一个纠缠的构造来表示不确定性和无意识,使得难以评估任何一个的属性。在这里,我们提出了一个模型的基础上格的Kripke模型,诱导原子子集列入,其中的不确定性和无意识是分开的。我们证明了模型是等价的,通过定义它们之间的转换,保持公式的满足,并通过我们和HMS的结果获得完整性。
2020-12-23 cs.AI cs.LO cs.MA
Semantic Objective Functions: A distribution-aware method for adding logical constraints in deep learning
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);Cohesive Solutions
本文提出一种分布感知的语义目标函数方法,通过逻辑与信息几何整合,将逻辑约束以Fisher-Rao距离或KL散度形式嵌入深度学习模型,适用于分类、知识转移和蒸馏任务。
2024-05-03 cs.AI cs.IT cs.LG