Probabilistic Answer Set Programming with Discrete and Continuous Random Variables
University of Ferrara（费拉拉大学）
针对PASP仅支持离散随机变量的局限，本文提出HPASP框架以结合离散与连续变量，实现并评估两类精确算法（投影枚举、知识编译）和两类近似采样算法，发现知识编译提升精确推理性能，采样适用于大实例。
2024-09-30 cs.AI
Weight Learning in a Probabilistic Extension of Answer Set Programs
School of Computing, Informatics and Decision Systems Engineering（计算、信息与决策系统工程学院）；Arizona State University（亚利桑那州立大学）
LPMLN是答案集程序的概率扩展，其权重方案源自马尔可夫逻辑。以前的工作已经表明如何在LPMLN推理可以实现。本文提出了LPMLN中权学习的概念，并从Markov逻辑的权学习算法中导出了LPMLN的学习算法。我们还提出了一个原型实现，使用答案集求解器的学习，以及一些示例域，说明不同的LPMLN学习功能。在LPMLN学习是根据稳定的模型语义，从而学习参数的概率扩展知识丰富的领域，答案集编程已被证明是有用的，但限于确定性的情况下，如可达性分析和推理的行动在动态域。我们还应用该方法来学习参数的概率溯因推理的行动。
2018-10-09 cs.AI
Explainable Fact Checking with Probabilistic Answer Set Programming
EURECOM（EURECOM通信系统研究所）；Arizona State University（亚利桑那州立大学）
事实核查的一个挑战是提高决策透明度的能力。我们提出了一个事实检查方法，使用知识图谱（KG）中的参考信息来评估索赔并解释其决策。知识库包含知识的形式化表示，其中包含实体及其关系的语义描述。我们利用这样丰富的语义产生可解释的解释的事实检查输出。由于KG中的信息不可避免地是不完整的，我们依靠逻辑规则发现和Web文本挖掘来收集证据来评估给定的索赔。将不确定的规则和事实转化为逻辑程序，并将检查任务建模为答案集程序概率扩展中的推理问题。实验表明，概率推理能够有效地标记具有可解释解释的解释的索赔，并且结果的质量高于最先进的基线。
2019-06-21 cs.AI cs.DB cs.LO
Probabilistic Inductive Logic Programming Based on Answer Set Programming
National University of Ireland, Galway（爱尔兰国立大学戈尔韦）
提出了一种新的基于回答集编程（ASP）的概率知识表达形式语言。它允许注释一阶公式以及ASP规则和具有概率的事实，并从数据中学习这些权重（参数估计）。加权公式给出了一个语义方面的软，硬约束，决定了概率分布的答案集。在相关的方法相比，我们的方法推理可选地利用所谓的精简XOR约束，以减少计算的答案集的数量。我们的方法是原型实现。举例说明了引入的概念，并指出了未来研究的问题和主题。
2014-05-04 cs.AI
Probabilistic Residual Learning for Online Recommendations
Rutgers University Piscataway New Jersey United States（Meta）；Meta Sunnyvale California United States；University of Copenhagen Copenhagen Denmark；Rutgers University \& UIUC Piscataway New Jersey United States；Rutgers University；Meta；University of Copenhagen；Rutgers University \& UIUC
针对现代推荐系统存在的问题，提出概率残差学习（PRL）方法，通过对真实值与基础预测间残差建模，概率性分组用户、建模混杂因素并聚合残差预测，与多种深度学习推荐系统兼容，能提升性能并发现有意义用户聚类。
2026-07-24 cs.AI cs.IR cs.LG
Scalable Neural-Probabilistic Answer Set Programming
TU Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心（hessian.AI））；Centre for Cognitive Science, TU Darmstadt（达姆施塔特工业大学认知科学中心）；German Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
针对现有深度概率编程语言联合概率估计能力不足的问题，提出新型DPPL框架SLASH，集成可处理概率推理，通过神经概率谓词与ASP结合，支持多类概率查询，剪枝优化可扩展性，在多任务上验证有效。
2023-06-14 cs.AI
"Would life be more interesting if I were in AI?" Answering Counterfactuals based on Probabilistic Inductive Logic Programming
Ludwig-Maximilians-Universität München（慕尼黑大学）
本文针对概率逻辑程序在反事实推理中的不足，提出一种语言片段，可从诱导分布重构程序，从而学习支持反事实查询的模型。
2023-08-30 cs.AI cs.LG cs.LO
Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting
针对概率预测中分布灵活性与均值准确性的权衡，提出两阶段奇数残差流框架，解耦均值预测与不确定性估计，在长短时域预测中同时实现最优确定性精度与出色密度估计性能。
2026-08-12 cs.AI cs.LG
DCN+: Mixed Objective and Deep Residual Coattention for Question Answering
Salesforce Research（Salesforce 研究院）
传统的问答模型使用交叉熵损失进行优化，这鼓励准确的答案，但代价是惩罚附近或重叠的答案，这些答案有时同样准确。我们提出了一个混合目标，结合交叉熵损失与自我批判的策略学习。该目标使用来自词重叠的奖励，以解决评价指标和优化目标之间的不一致。除了混合目标之外，我们还改进了动态协同注意网络（DCN），并使用了深度残差协同注意编码器，该编码器的灵感来自于深度自注意和残差网络的最新工作。我们的建议提高了跨问题类型和输入长度的模型性能，特别是对于需要捕获长期依赖关系的长问题。在斯坦福问答数据集上，我们的模型获得了最先进的结果，精确匹配准确率为75.1%，F1为83.1%，而集成获得了78.9%的精确匹配准确率和86.0%的F1。
2017-11-10 cs.AI cs.CL
RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting
Dept. of EECS, MIT（麻省理工学院电子工程与计算机科学系）；Harvard University（哈佛大学）
针对概率时间序列预测中分布建模不佳、训练与评估指标不匹配的问题，提出结合点估计、残差条件扩散与双向Mamba网络的即插即用框架RDIT，理论证明可通过最优标准差最小化CRPS，在8个多变量数据集上取得更优性能与更快推理。
2025-09-02 cs.AI cs.LG
SLASH: Embracing Probabilistic Circuits into Neural Answer Set Programming
TU Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心 (hessian.AI)）
结合神经网络的鲁棒性和符号方法的表达性的目标重新点燃了对神经符号AI的兴趣。神经符号人工智能的最新进展通常考虑由不相交的神经和符号组件组成的专门定制的架构，因此没有表现出通过将它们集成到统一框架中可以实现的期望收益。我们介绍SLASH --一种新的深度概率程序设计语言（DPPL）。在其核心，SLASH由神经概率谓词（NPP）和逻辑程序组成，这些程序通过答案集编程联合起来。由NPP产生的概率估计充当逻辑程序和原始输入数据之间的绑定元素，从而允许SLASH回答任务相关的逻辑查询。这使得SLASH能够在一个统一的框架中优雅地整合符号和神经组件。我们评估SLASH的基准数据MNIST除了以及DPPL的新任务，如缺失数据预测和集合预测与国家的最先进的性能，从而显示我们的方法的有效性和通用性。
2021-11-23 cs.AI
dPASP: A Comprehensive Differentiable Probabilistic Answer Set Programming Environment For Neurosymbolic Learning and Reasoning
Universidade de São Paulo（圣保罗大学）
本文提出 dPASP 框架，通过整合神经谓词、逻辑约束与区间值概率选择，在多种概率逻辑程序语义下实现可微神经符号推理与端到端学习，并提供易用的实现软件包。
2023-08-05 cs.AI cs.LG cs.LO
Probabilistic Neural-symbolic Models for Interpretable Visual Question Answering
Facebook AI Research（脸书人工智能研究院）；Georgia Tech（佐治亚理工学院）
我们提出了一类新的概率神经符号模型，具有符号功能程序作为一个潜在的，随机变量。实例化的背景下，视觉问答，我们的概率公式提供了两个关键的概念优势，比以前的神经符号模型VQA。首先，我们的模型生成的程序更容易理解，而需要较少的教学实例。其次，我们表明，一个可以提出反事实的情况下，该模型，探测其信念的程序，可能导致一个指定的答案给定的图像。我们在CLEVR和SHAPES数据集上的结果验证了我们的假设，表明该模型即使在低数据状态下也能获得更好的程序（和答案）预测准确性，并允许人们探索推理的连贯性和一致性。
2019-06-27 cs.AI cs.CV cs.LG
Answering Image Riddles using Vision and Reasoning through Probabilistic Soft Logic
Arizona State University（亚利桑那州立大学）；University of Maryland, College Park（马里兰大学学院市分校）
在这项工作中，我们探讨了一种类型的难题（“图像谜语”），其中涉及一组图像和一个问题。解决这些难题需要视觉检测（包括物体、活动识别）和基于知识或常识推理的能力。我们编译了一个超过3k个谜语的数据集，每个谜语由4个图像和一个地面真相答案组成。使用众包评价验证注释。我们还定义了一个自动评估指标来跟踪未来的进展。我们的任务与通常用于测试智力的常见智商任务，如类比解决，序列填充具有相似性。我们开发了一种基于概率推理的方法，利用概率常识知识来回答这些谜语具有合理的准确性。我们展示了我们的方法使用自动和人工评估的结果。我们的方法取得了一些有希望的结果，这些谜语，并为未来的尝试提供了一个强有力的基线。我们在ImageRiddle网站（http：//bit.ly/22f9Ala）上向社区公开了整个数据集和相关材料。
2016-11-17 cs.AI cs.CV
Every Answer Matters: Evaluating Commonsense with Probabilistic Measures
University of Pittsburgh（匹兹堡大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出常识框架补全（CFC）生成式任务及概率评估方法，以捕捉常识的多答案概率性质，实验表明人类表现远超语言模型基线，为机器常识提供了更具挑战性的评测方式。
2024-06-06 cs.AI cs.CL
Implicit Probabilistic Reasoning Does Not Reflect Explicit Answers in Large Language Models
University of Fribourg, Switzerland（弗里堡大学）；armasuisse S+T, Switzerland（armasuisse S+T）
本研究发现大语言模型在显式概率推理中表现良好，但在隐式概率推理中预测与真实情况存在显著差异，且传统评估方法无法检测此类错误。
2026-02-11 cs.AI cs.CL
A Probabilistic Extension of Action Language BC+
Arizona State University（亚利桑那州立大学）
我们提出了一个概率扩展的动作语言BC+。就像BC+被定义为描述转换系统的回答集程序的高级符号一样，我们称之为pBC+的建议语言被定义为LPMLN程序的高级符号-回答集程序的概率扩展。我们展示了如何概率推理的过渡系统，如预测，预测和规划问题，以及概率诊断的动态域，可以在pBC+建模和计算使用LPMLN的实现。
2018-08-03 cs.AI
Online Learning Probabilistic Event Calculus Theories in Answer Set Programming
University of Piraeus（比雷埃夫斯大学）
复杂事件识别（CER）系统使用预定义的事件模式检测流时间戳输入中的事件发生。基于逻辑的方法在CER中特别有趣，因为通过统计关系AI，它们将不确定性弹性推理与时间和变化结合起来，与机器学习结合起来，从而减轻了手动事件模式创作的成本。我们提出了一个系统的基础上回答集编程（ASP），能够与复杂的事件模式的概率推理的加权规则的形式在事件演算，其结构和权重在线学习。我们比较我们的ASP为基础的实现与马尔可夫逻辑为基础的一个和一些国家的最先进的批量学习算法CER数据集的活动识别，海上监视和船队管理。我们的研究结果表明，我们的新方法的优越性，无论是在效率和预测性能。这篇论文正在考虑发表在《逻辑程序设计理论与实践》（TPLP）上。
2021-03-31 cs.AI cs.LG
Mixed Logical and Probabilistic Reasoning for Planning and Explanation Generation in Robotics
The University of Auckland（奥克兰大学）
机器人在复杂的领域中帮助人类，必须在感觉运动水平和社会水平上代表知识和理性。本文所描述的架构耦合的非单调逻辑推理能力的声明性语言与概率信念修订，使机器人表示和推理的定性和定量的描述知识和程度的信念。具体来说，不完整的领域知识，包括在所有，但少数例外情况下，持有的信息，表示为一个答案集Prolog（ASP）程序。通过求解该程序获得的答案集用于推理、规划和联合解释（a）由于外源动作引起的意外动作结果和（b）从传感器输入提取的部分场景描述。对于任何给定的任务，答案集中包含的计划中的每个动作都是按概率执行的。自动识别与动作相关的域的子集，并且从传感器输入中提取的观测对在该域子集上定义的置信分布执行增量贝叶斯更新，其中高度可能的置信被提交给ASP程序。该体系结构的能力，说明在模拟和移动机器人的上下文中的机器人服务员在餐厅的餐厅。
2015-08-01 cs.AI cs.LO cs.RO
Resfusion: Denoising Diffusion Probabilistic Models for Image Restoration Based on Prior Residual Noise
College of Computer Science, Nankai University（南开大学计算机学院）；School of Statistics and Data Science, Nankai University（南开大学统计与数据科学学院）；Haihe Lab of ITAI（海河人工智能研究院）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
针对扩散图像复原从高斯白噪声启动导致采样步数过多的问题，本文提出 Resfusion 框架，通过残差前向过程、resnoise 预测目标和平滑等价变换统一训练推理，仅五步采样即在多个复原数据集上取得竞争力性能。
2024-10-24 cs.AI cs.CV
Conformalized Answer Set Prediction for Knowledge Graph Embedding
University of Stuttgart（斯图加特大学）；Bosch Center for AI（博世人工智能中心）；Cardiff University（卡迪夫大学）；University of Oslo（奥斯陆大学）；University of Southampton（南安普顿大学）；Eindhoven University（埃因霍温大学）；Stanford University（斯坦福大学）
针对知识图谱嵌入排序缺乏概率解释和不确定性量化的问题，应用共形预测理论生成具有概率保证的答案集，并通过多基准数据集验证了其有效性和对查询难度的自适应性。
2025-01-25 cs.AI
Reinforcement Learning in Partially Observable Markov Decision Processes using Hybrid Probabilistic Logic Programs
Gulf University for Science and Technology（海湾科技大学）
我们提出了一个概率逻辑编程框架，强化学习，通过集成强化学习，在POMDP环境中，与正常的混合概率逻辑程序与概率答案集语义，这是能够表示特定领域的知识。我们正式证明了我们的方法的正确性。我们证明了在我们的方法中为强化学习问题找到策略的复杂性是NP完全的。此外，我们证明了任何强化学习问题都可以编码为具有答案集语义的经典逻辑程序。我们还表明，一个强化学习问题可以编码为SAT问题。我们提出了一个新的高层次的动作描述语言，允许POMDP的因子表示。此外，我们修改了POMDP的原始模型，使它能够区分知识生产行动和行动，改变环境。
2010-11-27 cs.AI
Residual Prior Diffusion: A Probabilistic Framework Integrating Coarse Latent Priors with Diffusion Models
Toyota Central R&D Labs., Inc.（丰田中央研发实验室株式会社）
残差先验扩散通过整合粗粒度潜在先验与扩散模型，有效捕捉数据分布的细粒度细节并保持大型结构，提升生成质量。
2025-12-25 cs.AI cs.CV cs.LG
PiCSAR: Probabilistic Confidence Selection And Ranking for Reasoning Chains
Imperial College London（伦敦帝国学院）；University of Edinburgh（爱丁堡大学）；UCL（伦敦大学学院）
PiCSAR通过联合对数似然度评估推理链和最终答案的置信度，无需训练即可提升大语言模型和推理模型的准确性，在多个基准测试中表现优异。
2026-07-14 cs.AI cs.CL
Polynomial-time probabilistic reasoning with partial observations via implicit learning in probability logics
Washington University in St. Louis（圣路易斯华盛顿大学）
概率推理的标准方法要求人们拥有一个明确的分布模型。但是，从部分观测的概率分布模型的经验学习是一个问题，有效的算法通常是未知的。在这项工作中，我们考虑使用有界度片段的“平方和”逻辑作为概率逻辑。先前的工作表明，我们可以决定反驳这样的片段在多项式时间。我们建议使用这样的片段来回答关于给定的概率分布是否满足给定的约束系统和期望值的界限的查询。我们表明，在回答这样的查询，这样的约束和界限，可以隐式地学习，以及从多项式时间的部分观测。众所周知，这种逻辑能够推导出许多在概率分析中有用的界限。我们在这里表明，它还捕捉有用的多项式时间片段的分辨率。因此，这些片段也相当有表现力。
2018-06-28 cs.AI cs.LG cs.LO
AERA: Adaptive Evidence Residual Allocation for Efficient Test-Time Reasoning
National University of Singapore（新加坡国立大学）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）；Nanyang Technological University（南洋理工大学）
本文针对测试时推理的计算资源浪费问题，提出自适应证据残差分配（AERA）控制器，在GSM8K等数据集上减少95.99%完成令牌数的同时保持较高准确率，证明需估计计算未来价值而非依赖当前置信度。
2026-08-31 cs.AI
Suppression Is Not Forgetting: Residual Recoverability in Visual Concept Unlearning for VLMs
University of Rochester（罗切斯特大学）
本文提出VLM-UnBench，首个评估VLM免训练视觉概念反向学习的基准，通过四层遗忘等级、七源数据集和十一概念轴，验证提示对概念抑制的真实效果，发现对象和场景概念最难抑制，提示级抑制与真实视觉概念擦除存在明显差距。
2026-09-30 cs.AI cs.CV
The Illusion of AI Expertise Under Uncertainty: A Probabilistic Paradigm to Interpret Results Under Ground Truth Variation
Independent Researcher（独立研究员）；Amazon（亚马逊）；Gazi University（加齐大学）；University of Colorado（科罗拉多大学）；Samsun University（萨姆松大学）；The University Of Melbourne（墨尔本大学）；New York University（纽约大学）；RMIT University（皇家墨尔本理工大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出概率范式，揭示高置信度真实答案对专家高分的必要性，指出在真实答案变化大的数据集中，随机标注者与专家表现差异不大，强调在低专家表现时，按真实答案概率分层评估至关重要。
2026-10-09 cs.AI
Tractable Probabilistic Graph Representation Learning with Graph-Induced Sum-Product Networks
NEC Laboratories Europe（欧洲NEC实验室）；University of Stuttgart（斯图加特大学）
提出图诱导和积网络（GSPNs），通过构建层次化SPNs实现可处理概率查询的图表示学习，在稀缺监督与缺失数据场景下展现出竞争力。
2024-02-16 cs.AI cs.LG
Nested Aggregates in Answer Sets: An Application to a Priori Optimization
我们允许表示和推理的存在下，嵌套的多个聚合在多个变量和嵌套的多个聚合函数涉及多个变量的答案集，准确地说，在答案集优化编程和答案集编程。我们显示的适用性的答案集优化规划与嵌套的多个聚合和答案集规划与嵌套的多个聚合的概率旅行商问题，一个基本的先验优化问题在运筹学。
2013-04-05 cs.AI
Model Merging as Probabilistic Inference in Fine-Tuning Parameter Space
Washington State University（华盛顿州立大学）；Hanoi University of Science and Technology（河内科技大学）
提出将模型合并视为概率推断问题，基于专家乘积框架，通过柯西分布捕获重尾残差，提升多任务合并性能。
2026-07-03 cs.AI cs.LG
Combining Answer Set Programming and POMDPs for Knowledge Representation and Reasoning on Mobile Robots
Texas Tech University（得克萨斯理工大学）
为了在具有部分可观察性、不确定性行为和不可预见变化的领域中广泛部署，机器人需要使传感、处理和与人类的交互适应手头的任务。虽然机器人通常无法处理所有传感器输入或在没有大量领域知识的情况下操作，但提供准确的领域知识是一个挑战，而人类可能没有时间和专业知识来提供详细和准确的反馈。本文描述的架构结合了声明式编程和概率推理来解决这些挑战，使机器人能够：（a）表示和推理不完整的领域知识，解决模糊性和修改现有的知识，使用传感器输入和最小的人类反馈;（b）概率模型的不确定性传感器输入处理和导航。具体来说，回答集编程（ASP），声明式编程范式，结合分层部分可观察马尔可夫决策过程（POMDPs），使用域知识来修改概率信念，并使用积极和消极的意见，可以不再追求的任务提前终止。所有的算法进行评估，在模拟和移动机器人定位目标对象在室内域。
2013-07-29 cs.AI cs.RO
Beyond the Grounding Bottleneck: Datalog Techniques for Inference in Probabilistic Logic Programs (Technical Report)
Cardiff University（卡迪夫大学）；Samsung AI Research（三星人工智能研究院）
概率逻辑编程中的最先进的推理方法通常通过相对于感兴趣的查询计算相关的基础程序开始，然后使用该程序进行使用知识编译和加权模型计数的概率推理。我们提出了一种替代方法，使用高效的数据库技术集成知识编译与正向推理与非地面程序。这有效地消除了接地瓶颈，到目前为止，已经禁止概率逻辑编程的查询应答场景中的应用程序在知识图谱，同时还提供了快速近似的经典基准在该领域。
2019-11-18 cs.AI
Well-Definedness and Efficient Inference for Probabilistic Logic Programming under the Distribution Semantics
University of Ferrara（费拉拉大学）；Universidade Nova de Lisboa（新里斯本大学）
分布语义是逻辑程序设计与概率论相结合的重要途径之一。许多语言遵循这种语义，例如独立选择逻辑、PRISM、pD、带有注释析取的逻辑程序（LPAD）和ProbLog。当程序包含函数符号时，只有当查询的解释集是有限的并且每个解释也是有限的时，分布语义才是定义良好的。良好定义通常要么是明确强加的，要么是通过严格限制允许程序的类别来实现的。在本文中，我们确定了一个更大的类的程序，其中的语义是定义良好的计算查询的概率与一个有效的程序。由于LPAD提供了最一般的语法，我们提出了我们的结果，但我们的结果适用于所有的语言下的分布语义。我们提出的算法“概率推理与制表和答案包容”（PITA），计算概率的查询转换成一个正常的程序，然后应用SLG决议与答案包容。PITA已经在XSB中实现，并在六个域上进行了测试：两个域带有函数符号，四个域没有。与ProbLog，cplint和CVE的执行时间相比，PITA几乎总是能够在更短的时间内解决更大的问题，无论是否有函数符号。
2011-10-04 cs.AI cs.LO cs.PL
Failure to Mix: Large language models struggle to answer according to desired probability distributions
Biostate AI
针对科学探索需遵循目标概率分布而现有LLM训练抑制该能力的问题，通过系统性实验发现现代LLMs均无法遵循简单概率分布，其阶跃函数式行为会覆盖内置偏差，为LLM概率探索能力研究提供实证依据。
2025-11-18 cs.AI cs.LG
Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and Execution
UCLA Center for Vision Cognition Learning and Autonomy（加州大学洛杉矶分校视觉认知学习与自主中心）
时空推理是人工智能中一项具有挑战性的任务，这是由于其要求高但独特的性质：理论上要求基于头脑中的时空知识进行表示和推理，应用上要求能够在空间和时间中导航和行动的高级认知系统。最近的工作集中在这种抽象推理任务-乌鸦的进步矩阵（RPM）。尽管RPM取得了令人鼓舞的进展，在准确性方面达到了人类水平的性能，但现代方法既没有处理类似人类的泛化推理，也没有生成答案的潜力。为了填补这一空白，我们提出了一个神经符号概率绑架和执行（PrAE）学习者;中央的PrAE学习者是概率绑架和执行的概率场景表示的过程中，类似于心理操纵的对象。具体来说，我们从一个单一的模型中解开感知和推理。神经视觉感知前端预测对象的属性，随后由场景推理引擎聚合以产生概率场景表示。在符号逻辑推理后端，PrAE学习器使用表示来推导隐藏规则。通过对概率表示执行规则来预测答案。整个系统以分析合成的方式进行端到端的训练，没有任何视觉属性注释。大量的实验表明，PrAE学习器提高了交叉配置的泛化能力，并能够呈现一个答案，与以前的作品，只是从候选人中进行分类选择。
2021-05-14 cs.AI cs.CV cs.LG
Integrating Physics-Based and Data-Driven Approaches for Probabilistic Building Energy Modeling
EPFL（瑞士联邦理工学院）；Swiss Federal Laboratories for Materials Science（瑞士材料科学联邦实验室）；Vienna University of Technology (TUW)（维也纳技术大学）
本文在真实建筑案例中系统比较五种物理与数据驱动混合的概率能耗建模方法，发现基于前馈神经网络的残差学习平均最优且在分布外场景物理直观，分位数保形预测可有效校准室内温度预测。
2025-07-23 cs.AI cs.LG cs.SY
Learning from Unverified Peers via Shared Residual Distillation
Shanghai Jiao Tong University（上海交通大学）
该研究提出在线策略自蒸馏方法SRD，让模型从自身未经验证的同伴轨迹中学习，提升了Qwen3系列模型在AIME24--26任务上的性能，且未出现通用能力下降。
2026-10-16 cs.AI
Efficient and Private Marginal Reconstruction with Local Non-Negativity
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Penn State University（宾夕法尼亚州立大学）
针对差分隐私下的边际查询重建问题，提出高效后处理方法ReM及其带局部非负性的高斯扩展GReM-LNN，可节省隐私预算、降低重建误差，已验证可改进现有隐私查询应答机制。
2024-12-07 cs.AI cs.LG
Teger: Spatiotemporal Covariance for Probabilistic Traffic Forecasting
ETRO Department, Vrije Universiteit Brussel（瓦隆联合大学布鲁塞尔分校ETRO系）；imec
本文提出Teger模块，通过空间曲率感知的图重排机制改进误差相关的自回归预测，提升时空预测的连续排名概率得分。
2026-10-05 cs.AI cs.LG
Probabilistic Inferences in Bayesian Networks
Interdisciplinary Center for Security, Reliability and Trust（安全、可靠性与信任跨学科中心）；University of Luxembourg（卢森堡大学）
贝叶斯网络是一个关于变量及其关系的完整模型，它可以用来回答关于它们的概率查询。因此，贝叶斯网络可以被认为是一种自动将贝叶斯定理应用于复杂问题的机制。在贝叶斯网络的应用中，大部分的工作都与概率推理有关。贝叶斯网络中任何一个节点的变量更新都可能导致证据在贝叶斯网络中的传播。总结了贝叶斯网络中的各种推理技术，为贝叶斯网络概率推理的算法计算提供了指导。
2010-11-05 cs.AI cs.NI
Residual Drift Dominates Contradiction in Multi-Turn Constraint Reasoning
Kaons ( kaons.com )（Kaons公司）
通过构建DRIFT-Bench基准和MUS-Repair方法，发现多轮推理系统的主要失败模式是可满足漂移而非逻辑矛盾，残差错误中98-100%为可满足漂移。
2026-04-28 cs.AI cs.CL
ANSC: Probabilistic Capacity Health Scoring for Datacenter-Scale Reliability
Microsoft（微软）
ANSC是一个概率容量健康评分框架，通过综合当前剩余容量与额外故障概率，以颜色编码评分帮助运维人员在超大规模数据中心中优先处理最关键风险。
2025-08-22 cs.AI cs.NI
Multi-Context Models for Reasoning under Partial Knowledge: Generative Process and Inference Grammar
McGill University（麦吉尔大学）
达到一个域的完整概率知识，即，了解所有变量如何相互作用确实是一项艰巨的任务。在现实中，经常出现的设置，其中一个人只是拥有部分知识的领域，然而，预计将提供足够的答案，各种提出的查询。也就是说，尽管原则上不能实现对一些查询的精确回答，但是给定可用的部分知识，对于每个查询可以获得一系列合理的回答。在本文中，我们提出了多上下文模型（MCM），一个新的图形模型来表示部分知识的状态，以一个领域。MCM是概率逻辑、贝叶斯逻辑和概率图形模型之间的中间地带。对于这个模型，我们讨论：（i）构建无矛盾MCM的动力学，即，以渐进和概率一致的方式形成关于域的部分信念，以及（ii）如何执行推理，即，以评估涉及域的某些变量的感兴趣的概率。
2015-06-18 cs.AI math.LO math.PR
Probabilistic Neural Programs
University of Notre Dame（圣母大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
我们提出了概率神经程序，程序归纳的框架，允许灵活的规范的计算模型和推理算法，同时使使用深度神经网络。概率神经程序将用于指定神经网络的计算图与用于加权非确定性选择的运算符相结合。因此，程序既描述了决策的集合，也描述了用于做出每个决策的神经网络架构。我们评估我们的方法在一个具有挑战性的图问答任务，概率神经程序正确执行近两倍的程序作为基线模型。
2016-12-02 cs.AI cs.LG cs.NE
Lifting Factor Graphs with Some Unknown Factors
Institute of Information Systems, University of Lübeck（吕贝克大学信息系统学院）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
本文提出LIFAGU算法，通过在包含未知因子的因子图中识别对称子图，将已知势能转移到未知势能，从而实现明确定义语义下的提升概率推断。
2024-06-03 cs.AI cs.LG
Residual Component Analysis
Sheffield Institute for Translational Neuroscience（谢菲尔德转化神经科学研究所）；University of Sheffield（谢菲尔德大学）
概率主成分分析（PPCA）在存在独立球形高斯噪声的情况下寻求数据集的低维表示，Sigma =（sigma^2）*I。模型的极大似然解是关于样本协方差阵的特征值问题。在本文中，我们考虑的情况下，数据方差已经部分地解释了其他因素，例如，利益的协变量，或时间相关性留下一些残余方差。我们通过一个广义特征值问题将残差方差分解成它的分量，我们称之为残差分量分析（RCA）。我们表明，典型的协变量分析（CCA）是我们的算法的一个特例，并探讨了一系列新的算法，产生的框架。我们说明了基因表达的时间序列数据集和恢复的人的姿态从剪影的想法。
2011-06-21 cs.AI math.ST stat.CO
