Where and What: Reasoning Dynamic and Implicit Preferences in Situated Conversational Recommendation
Department of Computing, The Hong Kong Polytechnic University(香港理工大学计算机系);College of Computer Science, Sichuan University(四川大学计算机学院)
本文提出SiPeR框架,通过场景转换估计和贝叶斯逆推推理,提升情境对话推荐的准确性和响应质量。
2026-04-22 cs.AI
SOK-Bench: A Situated Video Reasoning Benchmark with Aligned Open-World Knowledge
The University of Hong Kong(香港大学);MIT-IBM Watson AI Lab(MIT-IBM Watson 人工智能实验室);Tsinghua University(清华大学);AWS AI(亚马逊云科技人工智能部门);UMass Amherst(马萨诸塞大学阿默斯特分校)
针对现有视频推理基准缺乏开放世界知识的问题,本文提出SOK-Bench情境化视频推理基准,含4.4万问题与1万带标注情境,通过LLM与MLLM结合的自动化方法构建,评估主流大视觉语言模型得出启发性结论。
2024-05-17 cs.AI cs.CL cs.CV
Re2A: Situated Conversational Recommendation via Rubric-based Preference Reasoning and Alignment
The Hong Kong Polytechnic University(香港理工大学);The Chinese University of Hong Kong(香港中文大学);Sichuan University(四川大学)
针对情境化对话推荐中偏好理解与响应生成的挑战,提出Re2A框架,通过基于评分标准的偏好推理和偏好条件优化,实现用户偏好与情境一致性的双重对齐,实验验证其优于现有方法。
2026-09-17 cs.AI
Moral Stories: Situated Reasoning about Norms, Intents, Actions, and their Consequences
University of Edinburgh(爱丁堡大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Washington(华盛顿大学)
在社会环境中,人类的许多行为都受到潜规则的约束。要使人工系统完全融入社会环境,遵守这些规范是一个核心先决条件。我们研究当代NLG模型是否可以作为部署在社会环境中的系统的行为先验,通过产生行动假设,实现预定义的目标下的道德约束。此外,我们还研究了模型是否可以预测(非)道德行为的可能后果,或者通过生成相关规范来解释为什么某些行为是优选的。为此,我们引入了“道德故事”,这是一个结构化、分支化叙事的众包数据集,用于研究接地的、以目标为导向的社会推理。最后,我们提出了解码策略,有效地结合了多个专家模型,以显着提高质量生成的行动,后果和规范相比,强基线,例如,通过溯因推理。
2020-12-31 cs.AI cs.CL
SQA3D: Situated Question Answering in 3D Scenes
Beijing Institute for General Artificial Intelligence (BIGAI)(北京通用人工智能研究院);UCLA(加州大学洛杉矶分校);Tsinghua University(清华大学);Peking University(北京大学)
本文提出SQA3D任务与数据集,要求智能体在3D场景中基于文本描述的情境进行推理问答,并评估现有模型与人类表现差距,以推动具身AI的情境理解与推理研究。
2023-04-12 cs.AI cs.CL cs.CV
Towards Non-Monotonic Entailment in Propositional Defeasible Standpoint Logic
University of Cape Town and CAIR, South Africa(开普敦大学和CAIR,南非);Université Sorbonne Paris Nord, Inserm, Sorbonne Université, Limics, 93017 Bobigny, France(巴黎-索邦大学,Inserm,索邦大学,Limics,法国93017博比尼);ISTI-CNR, Pisa, Italy(意大利比萨ISTI-CNR)
本文通过引入情境立场条件句,将KLM风格的非单调理性蕴涵关系提升到命题可废止立场逻辑(PDSL)的一个片段中,并证明了该片段可表达为一组情境条件句,进而将基于排序的蕴涵关系(如理性和词典序闭包)从命题情况忠实翻译到PDSL,同时保持复杂度界限。
2026-06-02 cs.AI cs.LO
A framework for Conditional Reasoning in Answer Set Programming
DEMACS, University of Calabria, Italy(卡塔尼娅大学DEMACS研究中心);DISIT, University of Piemonte Orientale, Italy(皮埃蒙特东方大学DISIT研究中心)
本文提出了一种基于条件逻辑的ASP框架,用于实现条件推理,并给出了复杂度上界。
2026-01-07 cs.AI cs.LO
Some Reflections on the Set-based and the Conditional-based Interpretations of Statements in Syllogistic Reasoning
Centro Singular de Investigación en Tecnoloxías da Información (CiTIUS), Universidade de Santiago de Compostela(圣地亚哥-德孔波斯特拉大学信息技术 singular 研究中心(CiTIUS))
本文给出了关于三段论的两种解释。一种是所谓的基于集合的解释,它假设量化陈述和三段论谈论集合之间的量关系。另一种是所谓的条件解释,假设量化命题谈论的是条件命题,以及前件和后件之间的联系有多强。这两种解释进行了比较,参加三个不同的问题(存在进口,奇异的陈述和非比例量词)从他们的影响,这种类型的推理的进一步发展的角度来看。
2014-11-25 cs.AI cs.LO
Where Norms and References Collide: Evaluating LLMs on Normative Reasoning
本文提出SNIC测试平台,评估大语言模型在基于规范的参照解析任务中的能力,发现现有模型在处理隐含或冲突规范时存在显著不足。
2026-02-03 cs.AI cs.CL cs.LG
To Trust or Not to Trust? Enhancing Large Language Models' Situated Faithfulness to External Contexts
Duke University(杜克大学)
本文研究 LLM 在 RAG 等场景中盲目信任错误外部上下文的问题,提出 SCR、RCR 及 CR-DPO 微调方法,以根据内外部知识置信度动态解决冲突并提升问答准确性。
2025-03-17 cs.AI cs.CL
A General Framework for Modelling Conditional Reasoning -- Preliminary Report
ISTI - CNR(意大利国家研究委员会信息科学与技术研究所);CAIR, University of Cape Town(意大利国家研究委员会信息科学与技术研究所);University of Cape Town(开普敦大学)
我们在这里介绍和调查的条件,允许一个广泛的一类推理系统的定义的形式化。这个框架涵盖了最流行的基于逻辑的KR的条件推理:我们提出的语义是适当的结构分析,这些条件不满足关闭相关的经典逻辑属性。
2022-02-15 cs.AI
An Algebraic Notion of Conditional Independence, and Its Application to Knowledge Representation (full version)
Open Universiteit(开放大学);University of Cape Town(开普敦大学)
本文在近似不动点理论的代数框架中研究了条件独立性概念,提供了独立于语言的描述,可将全局推理归约为局部推理的并行实例,并应用于正逻辑程序设计。
2024-12-18 cs.AI cs.LO
Probabilistic Default Reasoning with Conditional Constraints
我们提出了一个组合的概率推理的条件约束的方法,默认推理的条件知识库。详细地说,我们推广了Pearl在系统Z中的蕴涵,Lehmann的词典蕴涵和Geffner的条件蕴涵的概念。我们给出了一些例子,表明新的概念的z-,字典式,和条件蕴涵有类似的性质,像他们的经典同行。此外,我们表明,新的概念的z-,字典,和条件蕴涵是适当的推广,他们的经典同行和经典概念的逻辑蕴涵的条件约束。
2000-03-08 cs.AI
Using Machine Mental Imagery for Representing Common Ground in Situated Dialogue
Inria;University of Trento(特伦托大学);Inria, Carnegie Mellon University(Inria 和卡内基梅隆大学)
本文提出一种主动视觉支架框架,通过将对话状态转化为持久的视觉历史,减少代表模糊并提高对话理解。
2026-04-22 cs.AI cs.CL cs.HC
Evidential Reasoning with Conditional Belief Functions
IRIDIA(IRIDIA人工智能实验室);Universite libre de Bruxelles(布鲁塞尔自由大学)
在现有的具有信念函数的证据网络中,变量之间的关系通常由所涉及变量的乘积空间上的联合信念函数来表示。在本文中,我们使用条件信度函数来表示网络中的这种关系,并显示了这两种表示的一些关系。我们还提出了一个传播算法,这样的网络。通过分析几种特殊的具有条件信度函数的证据网络的性质,证明了在这类网络中,推理过程可以得到简化。
2013-02-27 cs.AI
Human Conditional Reasoning in Answer Set Programming
Wakayama University(和歌山大学)
本文在 Answer Set Programming 中实现 AC、DA 和 DC 等人类条件推理,引入八种 completion 并给出其语义,研究形式属性并应用于认知心理学刻画及 AI 常识推理。
2023-12-30 cs.AI cs.LO
On Non-monotonic Conditional Reasoning
New Mexico State University(新墨西哥州立大学)
本文对智能系统中的非单调推理问题进行了形式化分析,特别是当不确定性以定量的方式被考虑时。逻辑和概率之间的牢固联系是通过不依赖于定量测量的形式结构引入条件概念而建立的。与条件概率评估兼容的相关条件逻辑相对于附加证据是非单调的。条件概率逻辑的计算方面提到。这一发展的重要性在于它为各种形式的证据组合提供了概念基础,并对统一多值和非单调逻辑具有重要意义
2013-03-27 cs.AI
A Logic for Conditional Local Strategic Reasoning
Stockholm University(斯德哥尔摩大学);The John Paul II Catholic University of Lublin(卢布林若望保禄二世天主教大学)
我们考虑的理性代理人的行为和相互作用,在追求他们的个人和集体目标的系统。我们研究和形式化推理的代理人,或外部观察员,对其他代理人的行动的预期选择的基础上,他们的目标,以评估推理的能力,或期望,实现自己的目标。为了形式化这样的推理,我们扩展了保利的联盟逻辑与三个新的模式运营商的条件战略推理,从而介绍了逻辑局部条件战略推理ConStR。给出了并发博弈模型中新的条件策略算子的形式语义,引入了互模拟匹配的概念,证明了它们的互模拟不变性和Hennessy-Milner性质,并对它们的表达能力进行了简要的讨论和比较.最后,我们还提出了公理系统的ConStR的每个基本运营商和完整的逻辑。
2021-02-11 cs.AI cs.GT cs.LO
Conditional and Modal Reasoning in Large Language Models
University of California, Berkeley(加州大学伯克利分校);New York University(纽约大学);Massachusetts Institute of Technology(麻省理工学院)
本文评估29个大型语言模型在条件句和认识模态词推理上的表现,发现即使使用零样本思维链提示,表现最好的模型仍存在基本逻辑错误、判断不一致及与人类判断不符等问题,揭示了当前LLM在基本逻辑推理上的差距。
2024-10-13 cs.AI cs.CL cs.LO
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
Reasoning about soft constraints and conditional preferences: complexity results and approximation techniques
Cornell University(康奈尔大学);University of Padova(帕多瓦大学);University College Cork(科克大学学院)
许多现实生活中的优化问题包含硬约束和软约束,以及定性条件偏好。然而,没有一个单一的形式主义来规定所有三种信息。因此,我们提出了一个框架,CP网和软约束的基础上,处理硬和软约束以及条件偏好有效和统一。我们研究了测试偏好语句一致性的复杂性,并展示了软约束如何忠实地近似条件偏好语句的语义,同时提高了计算复杂性
2009-05-22 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
Counterfactual Conditionals in Quantified Modal Logic
Rensselaer Polytechnic Institute(伦斯勒理工学院)
我们提出了一种新的形式化的反事实条件在一个量化的模态逻辑。反事实条件句在伦理和道德推理中起着至关重要的作用。先前的研究表明,道德推理系统(更一般地说,心理理论推理系统)至少应该像一阶(量化)模态逻辑(QML)一样具有良好的表现力。虽然现有的道德推理工作集中在反事实的QML道德推理,我们提出了一个完全指定和实现的正式系统,包括反事实条件。我们用两个项目来验证我们的模型。在第一个项目中,我们证明了我们的系统可以用来模拟一个复杂的道德原则,双重效果的学说。在第二个项目中,我们使用该系统来构建一个包含我们理论许可的真实和虚假反事实的数据集,我们相信这对其他研究人员来说可能很有用。该项目还表明,我们的模型在计算上是可行的。
2017-11-02 cs.AI
Conditional Performance Guarantee for Large Reasoning Models
Nanyang Technological University, Singapore(南洋理工大学);Southern University of Science(南方科技大学);The Chinese University of Hong Kong, Shenzhen, China(香港中文大学(深圳))
本文提出G-PAC和C-PAC推理框架,通过分组策略实现组条件风险控制,提升异质环境下推理效率并降低计算成本。
2026-01-30 cs.AI math.ST stat.TH
Normative Conditional Reasoning as a Fragment of HOL
本文通过Isabelle/HOL浅层语义嵌入机械化Aqvist条件义务系统E,既用于自动验证道义对应关系,也用于编码Parfit令人反感的结论,提出弱化传递性而非完全放弃的替代方案。
2024-07-07 cs.AI cs.LO cs.SC
From Qualitative to Quantitative Proofs of Security Properties Using First-Order Conditional Logic
Cornell University(康奈尔大学)
考虑一阶条件逻辑,其语义由ε-语义的一个变体给出,其中p -> q表示Pr(q| p)超多项式地接近1--比任何逆多项式都快。这种类型的收敛是推理安全协议所必需的。一个完整的公理化提供了这种语义,它示出了如何定性证明的安全协议的正确性可以自动转换为定量证明适合推理有关具体的安全。
2008-04-14 cs.AI cs.CR cs.LO
An ASP approach for reasoning on neural networks under a finitely many-valued semantics for weighted conditional knowledge bases
Università del Piemonte Orientale(东皮埃蒙特大学);Università di Torino(都灵大学)
加权知识库的描述逻辑的典型性最近被认为是在一个“概念明智的”多偏好语义(在两个值和模糊的情况下),作为多层感知器(MLP)的逻辑语义的基础。在本文中,我们考虑加权条件ALC知识库的典型性在多值的情况下,通过三种不同的语义结构。对于ALC的布尔片段LC,我们利用ASP和“asprin”的推理与概念明智的多偏好蕴涵下的一个φ-连贯的语义,适合于表征MLP的稳态。作为概念证明,我们实验了所提出的方法来检查训练的MLP的属性。该文件正在考虑被TPLP接受。
2022-05-17 cs.AI
Reasoning With Conditional Ceteris Paribus Preference Statem
University of British Columbia(不列颠哥伦比亚大学);Ben-Gurion University(本-古里安大学)
在许多领域,人们希望以定性而不是定量的方式评估用户的偏好。这种定性偏好排序的表示形式是自动决策工具的重要组成部分。我们提出了一个图形表示的偏好,反映了条件依赖和独立的偏好声明下的ceteris paribus(其他条件相同)的解释。这样的表现是紧凑的,可以说是自然的。我们描述了几种搜索算法的优势测试基于这种表示,这些算法是相当有效的,特别是在特定的网络拓扑结构,如链和树结构的网络,以及polytrees。
2013-01-23 cs.AI
Causal Modeling with Probabilistic Simulation Models
Stanford University(斯坦福大学)
最近的作者提出了分析条件推理通过干预的概念在模拟程序,并发现了一个健全的和完整的公理化的逻辑条件在这种情况下。在这里,我们将此设置扩展到概率仿真模型的情况。我们给出了一个自然的定义的概率公式的条件语言,允许表达的反事实,并证明了这个定义的基本结果。我们还发现了一个公理化推理的线性不等式涉及概率在这种情况下。我们证明了这个逻辑的可满足性问题的可靠性,完备性和NP-完备性。
2018-07-30 cs.AI cs.LO
Beyond Task-Specific Reasoning: A Unified Conditional Generative Framework for Abstract Visual Reasoning
Shanghai Key Laboratory of Intelligent Information Processing, School of Computer Science, Fudan University(上海智能信息处理重点实验室,计算机科学学院,复旦大学)
本文提出统一条件生成求解器(UCGS),将多个抽象视觉推理任务转化为估计目标图像可预测性问题,通过单轮多任务训练一个条件生成模型即可解决多种任务,并具备零样本推理能力。
2025-07-15 cs.AI cs.CV
Measuring Reasoning Utility in LLMs via Conditional Entropy Reduction
KTH Royal Institute of Technology(皇家理工学院)
本文通过条件熵变化测量推理步骤对最终答案正确性的效用,发现熵递减与正确答案相关,且错误推理链往往更长,为设计高效推理流水线提供依据。
2025-08-28 cs.AI cs.CL
Defeasible Conditional Obligation in a Two-tiered Preference-based Semantics (Extended Version)
Technische Universität Wien (TU Wien)(维也纳技术大学)
本文提出一种双层偏好语义框架,通过结合非单调推理机制和双序关系(理想性与正常性),解决可废止条件义务的逻辑建模问题,并与约束输入/输出逻辑建立联系。
2026-06-28 cs.AI cs.LO
On the Conditional Logic of Simulation Models
Stanford University(斯坦福大学)
我们建议分析条件推理呼吁干预的概念,在模拟程序,形式化和归纳的一些方法,条件思维在最近的人工智能文献。我们的主要成果包括一系列的公理化,允许这个框架和现有的框架(正常序模型,因果结构方程模型)之间的比较,和一个复杂的结果,建立NP-完全的可满足性问题。也许令人惊讶的是,一些基本的逻辑原则共同的所有现有的方法是无效的,在我们的因果模拟方法。我们认为,这种额外的灵活性是很重要的建模一些直观的例子。
2018-05-08 cs.AI cs.LO
Rethinking Generalization in Reasoning SFT: A Conditional Analysis on Optimization, Data, and Model Capability
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学);University of Science and Technology of China(中国科学技术大学)
本文研究推理SFT的泛化问题,发现泛化受优化动态、训练数据和模型能力共同影响,指出短训练检查点可能低估泛化能力,数据质量和结构及模型能力均影响泛化效果,且推理提升与安全下降存在不对称性。
2026-08-18 cs.AI
Motion Dreamer: Boundary Conditional Motion Reasoning for Physically Coherent Video Generation
本文提出Motion Dreamer框架,通过分离运动推理与视觉合成,解决视频生成中边界条件运动推理的问题,提升运动合理性与视觉真实性。
2026-03-12 cs.AI cs.CV
SocraSynth: Multi-LLM Reasoning with Conditional Statistics
Stanford University(斯坦福大学)
本文提出多LLM智能体推理平台SocraSynth,通过条件统计、上下文增强和可调争论水平,在知识生成与推理评估两阶段结合苏格拉底式推理,有效缓解LLM偏见与幻觉,提升知识提取与决策支持能力。
2024-01-19 cs.AI cs.CL cs.LG
A note on conditional PAC-efficient reasoning in large language model routing
Department of Statistics and Data Science(统计与数据科学系)
该研究证明了在无分布设定下,大语言模型无法实现条件PAC有效推理,指出任何满足此条件的算法必须依赖专家模型。
2026-08-07 cs.AI cs.LG math.ST
Condition-Gated Reasoning for Context-Dependent Biomedical Question Answering
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);National Institutes of Health(美国国立卫生研究院)
本文提出CondMedQA基准和Condition-Gated Reasoning框架,通过构建条件感知知识图谱,提升生物医学问答中条件依赖的推理能力。
2026-06-06 cs.AI cs.CL
Memory Is Not Always Needed: Characterizing Conditional Memory in Scientific Reasoning
Huzhou Normal University(湖州师范大学);Alibaba Group(阿里巴巴集团);Bota Biosciences(博塔生物科技);Zhejiang University(浙江大学)
本研究探究科学推理中条件记忆的参与机制,提出知识边界感知路由器,在生物化学推理基准上验证其可保留有益记忆贡献并抑制退化,确立选择性记忆分配的重要性。
2026-09-24 cs.AI cs.CL cs.LG
QART: A Quantum-Classical Hybrid Architecture for Long-Horizon Reasoning -- Exploring a Conditional Path toward Quantum Scaling
QuantumMind(量子心智);Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳市人工智能与机器人研究院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Institute of Data Economy(深圳数据经济研究院);Nanyang Technological University(南洋理工大学);The Hong Kong Polytechnic University(香港理工大学)
提出量子-经典混合架构QART,结合量子编码、CIM优化与量子解码,在长时程推理基准上多数超越自回归模型,并给出条件渐近可靠性分离与量子扩展假设。
2026-09-16 cs.AI
Cognitive Argumentation and the Suppression Task
TU Dresden(德累斯顿工业大学);University of Cyprus(塞浦路斯大学)
本文提出了一个新的框架,称为认知论证建模人类推理的挑战。这个框架基于这样一个假设,即人类逻辑推理本质上是一个辩证论证的过程,旨在为人类推理开发一个可计算和可实现的认知模型。为了使逻辑推理具有人类认知形式,该框架依赖于认知原则,基于认知科学中的经验和理论工作,以适当地适应AI计算论证的一般和抽象框架。认知论证的方法进行评估与伯恩的抑制任务,其目的是不仅要捕捉不同群体的人之间的抑制效果,但也要考虑到每个群体内的推理的变化。两个主要的认知原则是特别重要的捕捉人类条件推理,解释参与者的反应:(i)解释的条件内的条件作为充分和/或必要的和(ii)的推理模式,无论是预测或解释。我们认为,认知论证提供了一个连贯的和认知充分的模型,人类的条件推理,允许一个自然的明确和似是而非的结论之间的区别,表现出的重要特征,上下文敏感和可撤销的推理。
2020-02-24 cs.AI
MDCR: A Dataset for Multi-Document Conditional Reasoning
MIT(麻省理工学院);AWS AI Labs(亚马逊云科技人工智能实验室)
本文提出多文档条件推理数据集 MDCR,要求模型跨文档组合未知条件并求解最优结果,实验显示最新 LLM 在此复杂推理任务上仍存在明显局限。
2024-06-17 cs.AI cs.CL
Many-valued Argumentation, Conditionals and a Probabilistic Semantics for Gradual Argumentation
Universit\`a della Calabria, Italy Universit\`a del Piemonte Orientale, Italy
本文提出渐进论证语义的多值偏好解释框架,支持条件推理与布尔组合,并以 ASP 实现有限值加权论证图推理,进而构建概率语义。
2022-12-14 cs.AI
Towards common-sense reasoning via conditional simulation: legacies of Turing in Artificial Intelligence
Massachusetts Institute of Technology(麻省理工学院);University of Cambridge(剑桥大学)
自艾伦·图灵(Alan Turing)在计算和人工智能哲学方面的基础工作早期以来,复制人类常识推理的灵活性问题就吸引了计算机科学家的想象力。在此期间,认知作为计算的想法已经成为人工智能(AI)和认知科学的基本原则。但认知是一种什么样的计算呢?我们描述了一个计算的形式主义围绕概率图灵机称为查询,通过条件模拟捕捉概率条件的操作。通过几个例子和分析,我们展示了如何查询抽象可以用来铸造常识推理概率推理在我们的观察和世界的不确定结构,产生的经验的统计模型。这个公式是人工智能和认知科学的几个研究项目的最新综合,但它也代表了图灵在人工智能、计算基础和统计学方面的几个开创性见解的惊人融合。
2013-10-09 cs.AI math.LO stat.ML
Reasoning about Independence in Probabilistic Models of Relational Data
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
我们扩展的d-分离理论的情况下,数据实例是不独立和同分布的。我们表明,直接应用规则的d-分离的概率模型的关系数据的结构不准确地推断出条件独立。我们介绍了关系d-分离,从关系模型推导条件独立事实的理论。我们提供了一个新的表示,抽象的地面图,使一个健全的,完整的,计算效率高的方法回答d-分离查询关系模型,我们提出的实证结果表明,有效性。
2014-01-06 cs.AI
On Axiomatization of Probabilistic Conditional Independencies
University of Regina(里贾纳大学)
本文研究了不确定推理中的概率条件独立性与关系数据库中数据依赖性之间的联系。作为一个示范的有用性的初步调查,提出了一个替代的证明反驳珍珠和帕兹提出的猜想,概率条件独立有一个完整的公理化。
2013-02-27 cs.AI
Conditional Advantage Estimation for Reinforcement Learning in Large Reasoning Models
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Fudan University(复旦大学);Renmin University of China(中国人民大学);The Chinese University of Hong Kong(香港中文大学)
本文提出 CANON 条件优势估计方法,无需预设熵或响应长度等指标的方向,即可自适应放大目标指标影响,并在数学与逻辑推理任务中提升性能和 token 效率。
2025-09-28 cs.AI cs.CL
Reasoning and Planning with Sensing Actions, Incomplete Information, and Static Causal Laws using Answer Set Programming
我们在[Son and Baral 2000]中将感知行为和不完全信息的0-近似扩展到具有静态因果律的行为理论,并证明了它在可能世界语义上的可靠性。我们还表明,关于这个近似的条件规划问题是NP完全的。然后,我们提出了一个答案集编程为基础的条件规划,称为ASCP,这是能够产生符合计划和条件计划中存在的传感行动,不完整的信息的初始状态,和静态因果关系的法律。我们证明了我们的实现的正确性,并认为我们的计划是健全的和完整的建议的近似。最后,我们提出的实验结果比较ASCP到其他规划。
2006-05-04 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
Enabling Runtime Verification of Causal Discovery Algorithms with Automated Conditional Independence Reasoning (Extended Version)
Hong Kong University of Science and Technology(香港科技大学);Zhejiang University(浙江大学)
本文提出统一方法解决因果发现中CI测试不可靠和过多导致的隐私问题,通过运行时验证工具CICheck将CI陈述一致性推理转化为SMT问题,并采用四阶段决策程序高效检测错误或剪除多余测试。
2023-09-11 cs.AI cs.SE
Asynchronous, Option-Based Multi-Agent Policy Gradient: A Conditional Reasoning Approach
Simon Fraser University(西蒙弗雷泽大学);Huawei Technologies Canada Co., Ltd.(华为技术加拿大有限公司)
针对多机器人异步执行选项导致MAPG方法难以推导集中式策略的问题,提出一种条件推理方法,并在基于选项的多智能体合作任务中验证了其有效性。
2023-08-02 cs.AI cs.LG cs.MA
From Common Sense Reasoning to Neural Network Models through Multiple Preferences: an overview
Università del Piemonte Orientale(东皮埃蒙特大学);Center for Logic, Language and Cognition(逻辑、语言与认知中心);Università di Torino(都灵大学)
在本文中,我们讨论了条件和偏好逻辑和神经网络模型之间的关系,基于多偏好语义。我们提出了一个概念明智的多偏好语义,最近推出的可废止的描述逻辑,考虑到不同的概念的偏好,作为一种工具,提供一个语义解释神经网络模型。这种方法已经被探索用于无监督的神经网络模型(自组织映射)和有监督的模型(多层感知器),我们希望相同的方法可以扩展到其他神经网络模型。它允许通过捕获网络的输入-输出行为的解释来检查网络的逻辑属性(通过模型检验)。对于多层感知器,深度网络本身可以被视为条件知识库,其中突触连接对应于加权条件。本文描述了一般的方法,通过自组织地图和多层感知器的情况下,并讨论了一些开放的问题和观点。
2021-07-10 cs.AI
Semigraphoids Are Two-Antecedental Approximations of Stochastic Conditional Independence Models
每一对CI-语句(GI=条件独立)的半图型闭包是一个随机CI-模型。作为这个结果的结果,它表明,每一个概率上健全的CI模型的推理规则,最多有两个前件,是可导出的semigraphoid推理规则。这证明了使用semigraphoid作为概率推理中随机CI模型的近似。所有19个潜在的主导元素所提到的semigraphoid封闭的列表是作为一个副产品。
2013-02-27 cs.AI
A preferential interpretation of MultiLayer Perceptrons in a conditional logic with typicality
Università della Calabria(卡拉布里亚大学);Università di Torino(都灵大学);Università del Piemonte Orientale(东皮埃蒙特大学)
本文研究知识表示中可废止推理的多优先语义与多层神经网络的关系,利用带典型性的加权知识库为多层感知机提供优先解释,并通过模型检测和蕴含方法验证其条件性质。
2023-09-19 cs.AI cs.LO cs.NE