A Translation of Probabilistic Event Calculus into Markov Decision Processes
University College London(伦敦大学学院);Università del Salento(萨勒诺大学)
本文提出将概率事件演算(PEC)形式化转换为马尔可夫决策过程(MDP)的方法,通过引入动作执行情境保留PEC的灵活语义,使MDP的算法工具可应用于PEC叙事领域,并支持将学习策略映射回可解释的PEC表示。
2025-07-17 cs.AI cs.LO
An Order of Magnitude Calculus
Queen Mary and Westfield College(玛丽女王与西田学院)
本文提出了一个简单的数量级推理演算。给出了一个语义的可靠性和完备性结果。数量级的概率函数很容易定义,并且与Kappa函数等价,Kappa函数是Spohn自然条件函数的轻微推广。微积分也产生了一个数量级的决策理论,它可以用来证明修正版本的珍珠的决策理论的卡帕功能,虽然后者是较弱的和较少的表达。
2013-02-20 cs.AI
Temporal Reasoning About Uncertain Worlds
Yale University(耶鲁大学)
我们提出了一个程序,管理一个数据库的时间范围内的信念。该系统的基本功能包括维护时间点之间的约束网络,支持各种提取,调解因果规则的应用,监控添加新事实的时间间隔,以及管理保持数据库一致的数据依赖关系。在这个层次上,系统独立于任何信念或信念演算的度量而运行。我们提供了一个应用程序如何使用这个功能来实现一个信念演算的例子。
2013-03-27 cs.AI
AdaSTI: Conditional Diffusion Models with Adaptive Dependency Modeling for Spatio-Temporal Imputation
本文提出基于条件扩散模型的时空插补方法AdaSTI,通过双向S4预插补、时空条件化器和噪声感知门控注意力网络自适应建模依赖关系,在三个真实数据集上显著降低插补误差。
2025-09-15 cs.AI cs.LG
Comparative concept similarity over Minspaces: Axiomatisation and Tableaux Calculus
LSIS - UMR CNRS 6168(法国国家科学研究中心6168联合研究实验室(LSIS));LIF - UMR CNRS 6166(法国国家科学研究中心6166联合研究实验室(LIF))
我们研究的逻辑比较概念相似性$\CSL$介绍谢列梅特,Tishkovsky,沃尔特和Zakharyaschev捕捉一种形式的定性相似性比较。在这个逻辑中,我们可以用公式表示断言的形式“对象A与B比与C更相似”。这种逻辑的语义定义的距离函数评估对象的相似度配备的结构。我们认为在这里的特殊情况下的语义引起的\emph{minspaces},后者是距离空间的最小值的一组距离总是存在的。事实证明,任意极小空间上的语义可以等价地用条件逻辑的典型优先结构来指定。我们首先给出一个直接的公理化这个逻辑在Minspaces。接下来,我们定义一个决策过程的形式tableaux演算。演算和公理化都利用了优先结构的语义重构。
2009-02-05 cs.AI
HierCVAE: Hierarchical Attention-Driven Conditional Variational Autoencoders for Multi-Scale Temporal Modeling
HierCVAE通过层级注意力与条件变分自编码器结合,实现多尺度时间建模,在能源数据集上预测精度提升15-40%,并改善不确定性校准。
2025-08-26 cs.AI cs.LG
QSTRBench: a New Benchmark to Evaluate the Ability of Language Models to Reason with Qualitative Spatial and Temporal Calculi
School of Computer Science, The University of Leeds(利兹大学计算机科学学院);The Alan Turing Institute(阿兰·图灵研究院);Tongji University(同济大学)
本文提出QSTRBench基准,用于评估大语言模型在定性空间和时间推理方面的能力,通过不同推理算法规则的组合性推理、反向关系和概念邻域等任务,展示了不同模型在处理不同算法规则时的表现差异,发现PA最简单而RCC-22最难。
2026-05-18 cs.AI
The Dynamic Controllability of Conditional STNs with Uncertainty
Vassar College(瓦萨学院);University of Verona(维罗纳大学)
本文定义了一种结合时间约束、条件节点和不确定持续时间的条件简单时间网络(CSTNU),并提出了其动态可控性的概念及约束传播规则。
2012-12-10 cs.AI cs.SY eess.SY
Temporal Properties of Conditional Independence in Dynamic Bayesian Networks
Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
本文研究动态贝叶斯网络中条件独立性命题的时序逻辑验证问题,分析了随机与结构两类CI性质的验证复杂度,并给出了让结构CI性质验证易处理的图结构限制条件。
2025-11-13 cs.AI
TRACE: A Temporal Conditional Estimation for Multimodal Time Series Foundation Models
University of Science and Technology of China(中国科学技术大学)
提出TRACE条件估计范式,通过利用可用辅助模态推断缺失目标模态,解决多模态时间序列中的时间错位和部分模态缺失问题,在医疗和情感分析基准上优于现有融合方法。
2026-06-04 cs.AI
Spatial-Temporal Super-Resolution of Satellite Imagery via Conditional Pixel Synthesis
Stanford University(斯坦福大学)
事实证明,高分辨率卫星图像可用于广泛的任务,包括测量全球人口、地方经济生计和生物多样性等。不幸的是,高分辨率图像很少收集,而且购买价格昂贵,因此很难在时间和空间上有效地扩展这些下游任务。我们提出了一个新的条件像素合成模型,使用丰富的,低成本的,低分辨率的图像生成准确的高分辨率图像的位置和时间,它是不可用的。我们表明,我们的模型达到了照片般逼真的样本质量,并在关键的下游任务-对象计数-上优于竞争基线,特别是在地面条件迅速变化的地理位置。
2022-04-04 cs.AI cs.CV
Probabilistic Event Calculus for Event Recognition
NCSR “Demokritos”(国家科学研究中心“德谟克利特”);University of Piraeus(比雷埃夫斯大学)
符号事件识别系统已经成功地应用于各种应用领域,以事件的形式提取有用的信息,允许专家或其他系统在识别出重大事件时进行监控和响应。然而,在典型的事件识别应用中,这些系统通常必须处理大量的不确定性。在本文中,我们解决了基于逻辑的事件识别的不确定性问题,通过扩展事件演算与概率推理。马尔可夫逻辑网络是我们基于逻辑的形式主义的自然候选者。然而,事件演算的时间语义引入了一些挑战,所提出的模型。我们展示了如何以及在什么样的假设下,我们可以克服这些问题。此外,我们研究了概率建模如何改变形式主义的行为,影响其关键属性,流畅性的惯性。此外,我们展示了概率事件演算的优势,通过实例和实验在活动识别领域,使用公开的视频监控数据集。
2013-08-15 cs.AI
Sufficiency, Separability and Temporal Probabilistic Models
Harvard University(哈佛大学)
假设我们已知一个变量的条件概率,而另一个变量是已知的。通常情况下,需要条件变量上的完全联合分布来确定条件变量的概率。在什么情况下,条件变量上的边际分布足以确定条件变量的概率?在这个意义上,充分性等价于条件概率分布的加性可分性。这种可分性结构是自然的,可以用来进行有效的推理。可分性是条件可分性的自然推广。可分性提供了时间概率模型中弱相互作用子系统的精确概念。给定一个被分解为可分子系统的系统,在未来时间点上的子系统的精确边际概率可以通过传播边际子系统概率而不是完整系统联合概率来计算。因此,可分性可以使精确预测变得易于处理。然而,观测值可以打破可分性,所以对动态系统的精确监控仍然很困难。
2013-01-10 cs.AI
Non-Invasive Reconstruction of Intracranial EEG Across the Deep Temporal Lobe from Scalp EEG based on Conditional Normalizing Flow
School of Artificial Intelligence, Chongqing University of Technology(重庆理工大学人工智能学院);School of Smart Health, Chongqing Polytechnic University of Electronic Technology(重庆电子工程职业大学智能健康学院)
提出NeuroFlowNet,一种基于条件归一化流的跨模态生成框架,首次从头皮脑电信号重建整个深颞叶区域的颅内脑电信号,解决了高保真重建的难题。
2026-05-25 cs.AI q-bio.NC
Diff-MTS: Temporal-Augmented Conditional Diffusion-based AIGC for Industrial Time Series Towards the Large Model Era
School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院)
本文提出Diff-MTS,一种时间增强的条件自适应扩散模型,通过Ada-MMD和TDR-UNet解决工业多元时间序列生成中GAN训练不稳定及时间依赖建模问题,在C-MAPSS和FEMTO数据集上显著优于GAN方法。
2024-07-16 cs.AI cs.LG
Conditional Temporal Neural Processes with Covariance Loss
Korea Advanced Institute of Science and Technology(韩国科学技术院);Ulsan National Institute of Science and Technology(蔚山国家科学技术院);Ineeji Inc.(Ineeji公司)
本文提出一种概念上等价于条件神经过程且具正则化形式的Covariance Loss,使网络映射受目标变量依赖性影响,从而提升对噪声的鲁棒性并恢复缺失依赖,并在真实数据集上验证了其优势与不足。
2025-04-01 cs.AI cs.LG
A Probabilistic Logic Programming Event Calculus
Institute of Informatics and Telecommunications NCSR Demokritos(德谟克利特国家科学研究中心信息与电信研究所);University of Piraeus(比雷埃夫斯大学);University of Maryland(马里兰大学)
我们提出了一个系统,用于识别人类活动的视频内容的符号表示。我们的系统的输入是一组检测到的视频帧上的时间戳的短期活动(STA)。输出是一组已识别的长期活动(LTA),这些活动是STA的预定义时间组合。STA上的约束,如果满足,导致识别的LTA,已表示使用方言的事件演算。为了处理人类活动识别中自然发生的不确定性,我们将这种方言适应于最先进的概率逻辑编程框架。我们提出了一个详细的评估和比较的清晰和概率的方法,通过实验的基准数据集的人类监控视频。
2013-04-29 cs.AI
Temporal Inference with Finite Factored Sets
Machine Intelligence Research Institute(机器智能研究所)
我们提出了一种新的时间推理方法,启发Pearlian因果推理范式-虽然从珍珠的方法形式上完全不同。而不是使用有向无环图,我们利用因子集,这是集表示为笛卡尔积。我们证明了有限因子集是推断时间关系的有力工具。我们介绍了一个模拟的D-分离因子集,条件正交性,我们证明了这一概念是等价的条件独立的所有概率分布在一个有限的因子集。
2021-09-23 cs.AI math.CO math.PR
Dynamic Consistency of Conditional Simple Temporal Networks via Mean Payoff Games: a Singly-Exponential Time DC-Checking
University of Trento(特伦托大学);University of Verona(维罗纳大学)
条件简单时态网络是一种用于条件时态规划的基于约束的图形式化方法。它提供了一个比Tsamardinos,Vidal和Pollack的等价CSTP模型更灵活的形式主义,它主要是作为一个健全的形式化而衍生出来的。CSTN和CSTPs的一致性有三个概念:弱一致性、强一致性和动态一致性。动态一致性是最有趣的概念,但它也是最具挑战性的,并且很难评估。Tsamardinos,Vidal和Pollack给出了一个双指数时间算法来判定一个Cynomial是否是动态一致的,并在肯定的情况下产生一个指数大小的动态执行策略。在目前的工作中,我们提供了一个证明,决定是否是动态一致性的Cynomial是CONP难的,并提供了第一个单指数时间算法这个问题,也产生一个动态执行策略,每当输入Cynomial是动态一致的。该算法是基于一个新的连接与平均支付游戏,一个家庭的两个球员的组合游戏的图形众所周知的模型检查和形式化验证的应用程序。这种连接的呈现是由超时间网络模型介导的,超时间网络模型是简单时间网络的一个易于处理的推广,其一致性检查相当于确定平均收益游戏。为了分析该算法,我们引入了一个改进的动态一致性的概念,称为ε-动态一致性,并给出了一个尖锐的下界分析的临界值的反应时间\hat{\varepsilon},其中的C_(?)在\hat{\varepsilon}的分析中引入的证明技术在处理包括严格不等式的线性差分约束…
2015-07-17 cs.AI cs.DS cs.GT
Towards Resilient Transportation: A Conditional Transformer for Accident-Informed Traffic Forecasting
The University of Tokyo(东京大学);Toyota Motor Corporation(丰田汽车公司)
本文提出ConFormer,一种结合图传播与引导归一化层的条件变换器,通过整合交通事故和法规数据,提升交通预测的准确性和效率。
2025-12-10 cs.AI cs.LG
Spatio-temporal neural distance fields for conditional generative modeling of the heart
Technical University of Denmark(丹麦技术大学);DTU Compute(DTU计算中心);KardioMe;Rigshospitalet(哥本哈根 Rigshospitalet 医院);Zealand University Hospital(西兰大学医院);Universitat Pompeu Fabra(庞培法布拉大学);Physense
针对现有心脏时空建模方法的局限,提出基于自动解码器的时空神经距离场条件生成模型,解耦个体与临床人口统计变异,在左心房序列补全上性能更优,可支撑多种临床相关应用。
2024-07-15 cs.AI cs.CV
Probability Distinguishes Different Types of Conditional Statements
University of Michigan(密歇根大学)
概率语言用于定义几种不同类型的条件语句。有四种主要的类型:虚拟语气,物质,存在和可行性。使用命题演算和布尔数理逻辑定义了另外两种类型的条件:真值泛函和布尔可行性(这是概率条件的特殊情况)。每一个概率条件都被一个介于0和1之间的分数参数量化,这个分数参数表示它是纯粹肯定的,纯粹否定的,还是在它的意义上是中间的。条件句可以根据其内容进一步专门化,以表达事实性和反事实性,并修改或重新表述以解释例外和混淆因素。各种条件有不同的数学表示:通过中间概率表达式和逻辑公式,每个条件最终被转换为一组多项式方程和不等式(具有实系数)。不同类型的条件句的多项式系统表现出不同的行为模式,例如关于相反的条件句或错误的先行项。有趣的结果可以使用代数和计算机科学中的众所周知的方法从相关的多项式系统中计算出来。在其他好处中,所提出的分析框架提供了次协调程序的逻辑推理,产生这样的熟悉的结果,如前件的肯定,及物性,析取介绍,和析取三段论,同时避免任何爆炸的后果不一致的前提。Goodman和Adams的几个例子的问题进行了分析。本文提出了一种新的逻辑观--多元逻辑观:数理逻辑,它尊重特殊条件和一般逻辑问题的多样性。
2014-09-26 cs.AI math.LO math.PR
A Bayesian Probability Calculus for Density Matrices
University of California, Santa Cruz(加州大学圣克鲁兹分校)
密度矩阵是量子物理中的一个重要概念,它是迹1的对称正定矩阵。有限概率分布是密度矩阵被限制为对角的特殊情况。密度矩阵是二元矩阵的混合,其中二元矩阵对于任何单位列向量u具有形式uu'。这些单位向量是广义概率空间的基本事件。也许最简单的情况下,看到一些不寻常的事情正在进行的情况下,均匀密度矩阵,即1/n倍的身份。这个矩阵将概率1/n分配给每个单位向量,但当然有无穷多个单位向量。因此,新的归一化规则表明,在任何方向的正交基上的概率之和是1。我们开发了一个概率演算的基础上,这些更一般的分布,其中包括关节,条件和公式的定义,这些相关的,即类似物的定理的总概率,各种贝叶斯规则的计算后密度矩阵等所产生的演算平行熟悉的“经典”概率演算,并始终保留后者作为一个特殊情况下,当所有的矩阵是对角的。而经典的贝叶斯方法保持不确定性的模型是“最好的”,泛化保持不确定性的单位方向具有最大的方差。令人惊讶的是,边界也概括:在经典的设置,我们绑定的负对数似然数据的负对数似然的MAP估计。
2014-08-09 cs.AI math.ST quant-ph