Belief Revision in Structured Probabilistic Argumentation
U.S. Military Academy(美国军事学院);University of Oxford(牛津大学);Universidad Nacional del Sur(南方国立大学)
在实际应用中,由特定领域的所有信息组成的知识库,以及当前的事态,必然包含来自不同来源的矛盾数据,以及带有不同程度不确定性的数据。同样,与维护知识库相关的工作的一个重要方面是决定哪些信息不再有用;信息片段(如情报报告)可能已经过时,可能来自最近发现的低质量来源,或者可能有大量证据与之相矛盾。在本文中,我们提出了一个概率结构化的论证框架,产生于扩展的假设可废止逻辑编程(PreDeLP)与概率模型,并认为这种形式主义是能够解决的基本问题,处理矛盾和不确定的数据。然后,为了解决最后一个问题,我们专注于研究概率PreDeLP程序上的非优先信念修正操作。我们提出了一套合理性假设-基于著名的经典知识库开发-的特点,这些操作应该如何表现,并研究了一类运营商的理论关系与建议的假设,包括表示定理,说明这类和一类运营商之间的等价性,其特征在于由假设。
2014-01-07 cs.AI cs.LO
A Framework for Combining Defeasible Argumentation with Labeled Deduction
在过去的几年里,对各种逻辑系统的需求不断增加,主要是由于人工智能和其他相关领域的逻辑应用。标记演绎系统(LDS)是一种灵活的方法,可以形式化这类复杂的逻辑系统。可废止论证已被证明是一个成功的方法来形式化的常识推理,包括许多其他的可废止推理的形式主义。基于参数的框架共享一些共同的概念(例如参数的概念,defeater等)。以及一些特殊的特征,这些特征使得很难从逻辑的角度将它们彼此进行比较。本文介绍了LDSar,一个可废止论证的LDS,其中许多重要的问题,可废止论证捕获在一个统一的逻辑框架。我们还讨论了一些逻辑属性和扩展,出现从建议的框架。
2004-05-27 cs.AI cs.SC
Non-monotonic Negation in Probabilistic Deductive Databases
本文研究了非单调否定在概率演绎数据库中的应用及其语义。基于经典逻辑程序设计的稳定语义,我们引入了稳定公式、函数的概念。我们证明了稳定公式,函数是与带否定的概率演绎数据库相关的算子的极小不动点。此外,由于A。概率演绎数据库可能不一定具有稳定的公式函数,我们为这样的数据库提供了一个稳定的类语义。最后,我们证明了所提出的语义可以处理默认推理自然概率演绎的上下文中。
2013-03-20 cs.AI
An Argumentation-Based Framework to Address the Attribution Problem in Cyber-Warfare
U.S. Military Academy(美国军事学院);University of Oxford(牛津大学);University of Liverpool(利物浦大学);CONICET(国家科学和技术研究委员会)
通过使用多项技术证据(即,恶意软件逆向工程和源跟踪)和常规情报源(即,人或信号情报)是一个困难的问题,这不仅是因为需要努力获得证据,而且对手可以轻易地植入虚假证据。在本文中,我们介绍了一个正式的推理系统称为InCA(智能网络归因)框架,旨在帮助分析师在网络操作的归属,即使当可用的信息是冲突和/或不确定的。我们的方法结合了基于论证的推理,逻辑编程和概率模型,不仅属性的操作,但也解释了分析师为什么系统达到其结论。
2014-04-27 cs.AI cs.CR cs.LO
A Polynomial-time Fragment of Epistemic Probabilistic Argumentation (Technical Report)
University of Osnabrück(奥斯纳布吕克大学)
概率论证允许以概率论有充分依据的方式对论证问题进行推理。然而,在实践中,这种方法可能受到概率是通过增加指数数量的项来定义的事实的严重限制。我们表明,这种指数爆破可以避免在一个有趣的片段的认识概率论证,并已被认为是棘手的一些计算问题,可以解决在多项式时间。我们给出了有效的凸规划公式,这些问题,并探讨我们的片段可以扩展到多远,而不会失去易处理性。
2019-03-06 cs.AI
Probabilistic Deduction with Conditional Constraints over Basic Events
研究了基本事件上带条件约束的概率演绎问题。我们证明了在基本事件上具有条件约束的全局完全概率演绎是NP-困难的。然后,我们集中在特殊情况下的概率推导条件约束树。我们阐述了非常有效的技术,全球完整的概率推导。详细地说,对于具有点概率的条件约束树,我们提出了一种全局完全概率推导的局部方法,该方法在条件约束树的大小上以线性时间运行。对于区间概率的条件约束树,我们证明了通过求解非线性规划,可以用全局方法进行全局完全概率推导。我们展示了如何将这些非线性规划转化为等价的线性规划,这些线性规划在多项式时间内可解。
2011-05-27 cs.AI
On Lockean beliefs that are deductively closed and minimal change
Artificial Intelligence Research Institute (IIIA - CSIC)(人工智能研究 institutes(IIIA - CSIC));Centre de Recherche en Informatique de Lens (CRIL)(信息学研究中心(CRIL));Department of Mathematics, University of Barcelona (UB)(数学系,巴塞罗那大学(UB))
本文针对洛克式信念集不封闭于经典演绎的问题,提出两类封闭信念集的特征刻画,并设计概率更新方法实现最小修订,以最少变更达成演绎封闭。
2025-07-08 cs.AI
A Labelling Framework for Probabilistic Argumentation
CSIRO(联邦科学与工业研究组织);University of Brescia(布雷西亚大学);Chinese Academy of Sciences(中国科学院);University of Bologna(博洛尼亚大学);European University Institute(欧洲大学学院)
论证和概率的结合为定性和定量不确定性的新解释铺平了道路,从而提供了新的理论和应用机会。由于各种利益,概率论证在文献中采用不同的框架,涉及结构化和抽象论证,以及各种类型的不确定性,特别是前提可信度的不确定性,考虑哪些论点的不确定性,以及论点或陈述的接受状态的不确定性。概率论证的一般框架,我们研究了一个标签导向的框架,包括基于规则的论证和它的(半)抽象帐户的基本设置,以及不同类型的不确定性。我们的框架提供了一个系统的处理各种不确定性和它们之间的关系,并允许我们支持或质疑文献中的断言。
2018-03-09 cs.AI
Explainable Automated Reasoning in Law using Probabilistic Epistemic Argumentation
Technical University of Darmstadt(达姆施塔特工业大学);University of Stuttgart(斯图加特大学)
将自动推理工具应用于法律决策支持和分析,有可能使法院判决更加透明和客观。由于证据的准确性和相关性往往存在不确定性,因此需要采用非经典推理方法。在这里,我们调查概率认知论证作为自动推理有关法律案件的工具。我们介绍了一个一般的计划,以模拟法律案件的概率认知论证问题,解释如何可以模拟证据和素描如何解释法律决定可以自动生成。我们的框架是很容易解释的,可以处理循环结构和不精确的概率,并保证在最坏的情况下多项式时间的概率推理。
2020-09-12 cs.AI
Probabilistic Extension of Neuro-Symbolic AGI Robots based on Belnap's Typed Intensional FOL
ISRST(未知(可能是某个特定名称的机构))
研究基于$IFOL_B$的神经符号人工智能,通过概率计算扩展其认知能力,引入全局和局部对称变换,利用神经网络基于香农最大信息熵计算概率密度函数$KI$,实现对未知句子概率计算及相关实时决策。
2026-07-21 cs.AI
Probabilistic Argumentation. An Equational Approach
King’s College London(伦敦国王学院);Bar Ilan University(巴伊兰大学);University of Luxembourg(卢森堡大学)
有一种通用的方法可以向系统添加任何新功能。它包括:1)识别构建系统的基本单元; 2)为每个基本单元引入新功能。在系统是论证并且特征是概率的情况下,我们有以下内容。基本单位是:a。所涉及的论点的性质; b.所述参数集合S中的成员关系; c.攻击关系;以及d.扩展的选择。一般地,向论证网络<S,R>添加新的方面(概率的、或模糊的、或时间的等)可以通过向每个组件a-d添加该特征来完成。这是一种蛮力方法,可能会产生不直观或有意义的结果。一个更好的方法是有意义地将对象系统转换为另一个目标系统,该目标系统确实具有所需的方面,然后让目标系统将方面赋予初始系统。在我们的例子中,我们将论证翻译成经典的命题逻辑,并从翻译中得到概率论证。当然,我们得到什么取决于我们如何翻译。事实上,在本文中,我们引入概率语义抽象论证理论的基础上的方程方法的论证网络。然后,我们比较我们的语义与现有的建议,在文献中,包括M。Thimm和A.猎人我们的方法一般讨论的结论。
2015-03-18 cs.AI
Polynomial-time Updates of Epistemic States in a Fragment of Probabilistic Epistemic Argumentation (Technical Report)
University of Osnabrück(奥斯纳布吕克大学);Cardiff University(卡迪夫大学);University College London(伦敦大学学院)
概率认识论论证允许以概率论为基础的方式对论证问题进行推理。认知状态由可能世界上的概率函数表示,并且可以使用更新算子调整到新的信念。虽然概率函数的使用为这种方法提供了坚实的基础,但它也带来了计算挑战,因为要处理的数据量以指数方式取决于参数的数量。这导致了应用中的瓶颈,例如为说服对话建模对手的信念。我们展示了如何更新运营商的概率函数可以与更新运营商更紧凑的表示,允许多项式时间更新。我们讨论了这种方法的认知和概率逻辑的可行性,并证明了它在计算说服的适用性。
2019-06-12 cs.AI
Magic Inference Rules for Probabilistic Deduction under Taxonomic Knowledge
Institut fur Informatik, Universitiit GieSen(吉森大学计算机科学研究所)
我们提出了局部完整的推理规则的概率推理分类和概率知识库的合取事件。至关重要的是,在文献中类似的推理规则相比,我们的推理规则是局部完整的合取事件和额外的分类知识。我们发现,我们的推理规则是非常复杂的,它是乍一看不清楚,在所有推导出的最紧的界限来自哪里。此外,分析我们的推理规则的全球完整性,我们发现全球非常不完整的概率推理的例子。更一般地说,我们甚至表明,所有系统的分类和概率知识库的推理规则的合取事件是全球不完整的。我们的结论是概率演绎的迭代应用推理规则的区间限制条件概率,即使被认为是非常有前途的文献中,到目前为止,似乎非常有限的应用领域。
2013-01-30 cs.AI
Proceedings of the 13th International Conference on Automated Deduction in Geometry
几何自动演绎(ADG)是一个交流思想和观点的论坛,展示研究成果和进展,并展示几何和自动演绎之间交叉的软件工具。相关主题包括(但不限于):多项式代数、不变和无坐标方法;概率、合成和逻辑方法,用于从离散数学、组合学和数值学进行自动几何推理的技术;几何学中的交互式定理证明;用于几何计算、几何约束求解、自动生成/推理和利用图表的操作的符号和数值方法;几何软件、自动定理证明器、专用工具、实验研究的设计和实现; ADG在力学、几何建模、CAGD/CAD、计算机视觉、机器人和教育中的应用。传统上,ADG会议每两年举行一次。历届ADG分别于2018年在南宁、2016年在斯特拉斯堡、2014年在科英布拉、2012年在爱丁堡、2010年在慕尼黑、2008年在上海、2006年在蓬特韦德拉、2004年在盖恩斯维尔、2002年在哈根贝格、2000年在苏黎世、1998年在北京和1996年在图卢兹举办。第13届ADG会议原定于2020年在奥地利哈根贝格举行,但由于COVID-19疫情,会议推迟至2021年,并于2021年9月15日至17日在线举行(仍由奥地利哈根贝格RISC研究所主办)(https://www.risc.jku.at/conferences/adg2021)。
2021-12-28 cs.AI cs.LO cs.MS
Probabilistic Argumentation with Epistemic Extensions and Incomplete Information
University College London(伦敦大学学院);University of Koblenz-Landau(科布伦茨-兰道大学)
抽象论证提供了一种有吸引力的方式来表示和评估论点和反驳。这种方法可以通过为每个参数分配概率来增强。对这项任务有各种不同的解释。在本文中,我们认为分配是指代理人相信论点是合理的,即,论证的前提和论证的主张从其前提的推导都是有效的。这就引出了认知扩展的概念,它是图中在某种程度上被相信的参数的子集(我们定义为概率分配大于0.5的参数)。我们考虑各种约束的概率分配。有些约束对应于标准的扩张概念,如接地或稳定的扩张,有些约束给我们新的扩张。
2014-05-14 cs.AI
Convergent Deduction for Probabilistic Logic
University of Illinois(伊利诺伊大学)
本文讨论了Nilsson概率逻辑的语义和证明理论,概述了其定义良好的模型理论的优点和其证明理论的缺点。在尼尔森的语义框架内,我们推导出一组推理规则,这是可证明的声音。由此产生的证明系统,与尼尔森的方法相反,具有收敛的重要特征-也就是说,推理过程通过计算越来越窄的概率区间来进行,这些概率区间从上到下收敛于最小的蕴涵概率区间。因此,该过程可以随时停止,以产生有关最小所需间隔的部分信息。
2013-03-27 cs.AI
Research Note on Uncertain Probabilities and Abstract Argumentation
University of Brescia(布雷西亚大学);Cardiff University(卡迪夫大学);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);Amazon(亚马逊)
国际气候变化专门委员会(IPCC)的第六次评估指出,“过去十年(2010-2019年)累积的二氧化碳净排放量与可能将变暖限制在1.5摄氏度的11个剩余碳预算大致相同(中等置信度)。“这类报告直接为公众话语提供了素材,但诸如信仰和信心程度等细微差别往往被忽视。在本文中,我们提出了一个正式的帐户,允许这样的程度的信念和相关的信心被用来标记参数在抽象的论证设置。从概率论证的其他建议,我们专注于任务的概率推理选择的查询建设佐藤的分布语义已经被证明包括各种情况下,包括贝叶斯网络的语义。借用大量的文献,这样的语义,我们研究如何在实践中处理这些任务时,考虑不确定的概率,并讨论与现有的建议概率论证的连接。
2022-08-23 cs.AI
On Trivalent Logics, Compound Conditionals, and Probabilistic Deduction Theorems
Durham University(杜伦大学);University of Regensburg(雷根斯堡大学);University of Palermo(巴勒莫大学)
本文回顾条件事件等相关结果,基于德·菲内蒂后期思想提出复合条件句方法,证明条件事件的概率演绎定理,探讨迭代条件句及输入-输出原则无效性,引入广义输入-输出原则并结合System P说明,还讨论与AI相关工作。
2023-03-17 cs.AI
Advancing Algorithmic Approaches to Probabilistic Argumentation under the Constellation Approach
Institute of Software Technology, Graz University of Technology(格拉茨工业大学软件技术研究所)
本文研究星座方法下概率论证推理的高复杂度问题,区分两类计数任务的复杂度,并提出基于树分解动态规划的完全外延概率计算算法,实验显示其具有应用前景。
2024-07-06 cs.AI
Formulating Semantics of Probabilistic Argumentation by Characterizing Subgraphs: Theory and Empirical Results
Zhejiang University(浙江大学);University of Luxembourg(卢森堡大学)
在现有文献中,虽然已经提出了基于Monte-Carlo模拟技术的概率论证语义近似计算方法,但如何在不使用模拟技术的情况下提高计算效率仍然是一个悬而未决的问题。在本文中,我们从以下两个角度来解决这个问题。首先,从概念上讲,我们定义特定的属性来表征一个PrAG的子图相对于一个给定的扩展,这样的概率的一组参数E是一个扩展可以定义在这些属性,没有(或较少)建设的子图。其次,在计算方面,我们以偏好语义为例,并开发算法来评估我们的方法的效率。结果表明,该方法不仅大大减少了计算p(E^σ)的时间,而且具有与现有方法相反的吸引人的性质:PrAG的边越密集或给定扩展E的大小越大,该方法计算p(E^σ)的效率越高.同时,证明了在完全语义和优选语义下,确定p(E^σ)的问题是固定参数的易处理问题.
2016-11-28 cs.AI
Use of Rapid Probabilistic Argumentation for Ranking on Large Complex Networks
Bogazici University(博阿齐奇大学)
我们介绍了一个家庭的新的排名算法称为ERank运行在线性/接近线性的时间,并建立在明确建模的网络作为不确定的证据。该模型使用概率论和命题逻辑相结合的概率论证系统(PAS),也是Dempster-Shafer证据理论的一个特例。ERank快速生成NP完全问题的近似结果,使该技术能够在大型网络中使用。我们使用以前介绍的PAS模型的引文网络推广到所有的网络。我们提出了一个统计测试,用于比较不同的排名算法的性能的基础上聚类有效性测试。我们在真实网络上使用该测试进行的实验表明,与PageRank、贴近度和中间度等知名算法相比,ERank具有最佳性能。
2008-02-22 cs.AI cs.IR
REASON: Accelerating Probabilistic Logical Reasoning for Scalable Neuro-Symbolic Intelligence
REASON通过统一图表示和自适应剪枝技术,实现概率逻辑推理的加速,提升神经符号AI的效率与可扩展性。
2026-01-28 cs.AI cs.AR
SoftReason: A Fully Differentiable Neuro-Soft-Symbolic Deductive Reasoning Architecture over High-Dimensional Perceptual Data
Clemson University(克莱姆森大学)
研究针对前提需从高维输入推断且由知识图谱提供相关信息的推理问题,提出神经软符号架构SoftReason,核心是对直接后果算子可微提升,能在知识感知视觉问答中支持多种功能。
2026-08-11 cs.AI
Checking Trustworthiness of Probabilistic Computations in a Typed Natural Deduction System
University of Milan(米兰大学);University of Verona(维罗纳大学);University of Turin(都灵大学)
本文提出概率类型化自然演绎演算TPTND,将概率计算可信性形式化为频率与预期概率距离的假设检验,定义其语义与Trust运算符,阐述结构及元理论属性,重点关注可信性保留条件。
2025-02-13 cs.AI cs.LO
CSP4SDG: Constraint and Information-Theory Based Role Identification in Social Deduction Games with LLM-Enhanced Inference
针对社会推理游戏中隐藏角色推理难题,提出CSP4SDG概率约束满足框架,通过四类语言无关约束分析游戏事件与对话,结合信息增益加权提升推理准确性,实验证明其优于LLM基线且可增强LLM性能。
2025-11-09 cs.AI cs.GT
Bayesian Social Deduction with Graph-Informed Language Models
Purdue University(普渡大学);Oracle(甲骨文公司);Virginia Tech(弗吉尼亚理工大学);Intel Labs(英特尔实验室)
本文提出一种混合推理框架,通过外部化信念推断到结构化概率模型,结合语言模型进行理解和交互,在Agent-Agent游戏中实现与大模型相当的性能,并首次在受控研究中击败人类玩家。
2026-04-10 cs.AI cs.CL cs.LG
DODR: Deterministic Operator-Driven Reasoning in Latent Space
Beijing MQPat Technologies, Co., Ltd.(北京MQ帕特科技有限公司)
针对自回归大语言模型推理的缺陷,本文提出隐空间确定性算子驱动推理架构DODR,将推理重构为高维线性代数空间的推理图计算,通过三类算子实现推理,实验验证其在多任务上的优异性能并公开数据代码。
2026-09-07 cs.AI
BARD: A structured technique for group elicitation of Bayesian networks to support analytic reasoning
Monash University(莫纳什大学);Bayesian Intelligence(贝叶斯智能公司);Automatic Studio(奥托马蒂克工作室);University of Strathclyde(思克莱德大学);University College London(伦敦大学学院)
在许多复杂的现实世界中,解决问题和决策需要对因果关系和不确定性进行有效的推理。然而,在这些情况下,人类的推理容易产生混乱和错误。贝叶斯网络(BN)是一种人工智能技术,它对不确定的情况进行建模,支持概率和因果推理以及决策。然而,到目前为止,BN方法和软件需要大量的前期培训,不提供太多的指导模型构建过程中,不支持协作构建BN。Bard贝叶斯论证(Bayesian ARgumentation via Delphi)既是一种方法论,也是一种专家系统,它利用(1)BN作为更好的论证分析的底层结构化表示,(2)多用户基于Web的软件平台和Delphi风格的社交过程,以协助协作,以及(3)按需提供简短、高质量的电子课程,这是一个高度结构化的过程,用于指导BN构建,以及各种有用的工具,以帮助构建和推理BN,包括自动解释工具,以帮助有效的报告写作。其结果是一个端到端的在线平台,与相关的在线培训,为没有事先BN专业知识的群体理解和分析问题,建立其潜在的概率因果结构模型,验证和因果模型的原因,并使用它来产生一个书面的分析报告。初步的实验结果表明,BARD艾滋病的问题解决,推理和协作。
2020-03-02 cs.AI