Human-Aware Belief Revision: A Cognitively Inspired Framework for Explanation-Guided Revision of Human Models
Washington University in St. Louis（圣路易斯华盛顿大学）
针对传统信念修正框架忽视人类寻求解释认知模式的问题，提出认知启发的Human-Aware Belief Revision框架，通过非最小化的解释引导方式修正人类模型，并经两项人类受试者研究验证其有效性，为开发人类感知AI系统提供指导。
2024-08-22 cs.AI
Modeling Belief in Dynamic Systems, Part II: Revision and Update
信念变化的研究一直是哲学和人工智能领域的一个活跃领域。近年来，人们对信念改变的两种特殊情况--信念修正和信念更新进行了详细的研究。在一篇配套论文（Friedman & Halpern，1997）中，我们引入了一个新的框架来模拟信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和Mendelzon的信念更新的概念（胜野和Mendelzon，1991年a）取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
1999-03-24 cs.AI
Can we forget how we learned? Doxastic redundancy in iterated belief revision
DIAG, Sapienza University of Rome（罗马萨皮恩扎大学DIAG）
本文研究迭代信念修正中的信念冗余问题，提出一种算法检查遗忘信念获取过程是否导致信息丢失，并分析了其在多种修正算子下的计算复杂度。
2025-04-26 cs.AI
Distance Semantics for Belief Revision
一个庞大而有趣的家庭的自然语义信念修订的定义。假设给定任意两个模型之间的距离d。于是，我们可以把用公式a对一个理论K的修正定义为，用d最接近于K的模型集的a的所有模型的集合所定义的理论。这个家庭的特点是一套合理性假设，扩展了AGM假设。新的假设描述迭代修正的性质。
2002-02-18 cs.AI
On the Generation of Alternative Explanations with Implications for Belief Revision
Brown University（布朗大学）
一般来说，对于一个给定的观察结果，最好的解释并不保证它相对于其他替代解释的好坏。贝叶斯网络中用于信念修正的消息传递方案的一个主要缺陷是它们不能产生超出第二好的替代方案。在本文中，我们提出了一种基于线性约束系统的一般方法，该方法以有序和高效的方式自然地生成替代解释。这种方法，然后应用到成本为基础的绑架问题，以及在贝叶斯网作品的信念修正。
2013-03-20 cs.AI
Belief Revision in Sentential Decision Diagrams
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达尔·莫尔人工智能研究所）
信念修正是当新信息变得可用时修改知识库的任务，同时也尊重许多期望的属性。经典的信念修正方案已经专门用于\emph{binary decision diagrams}（BDDs），经典的形式主义来压缩表示命题知识。这些结果也适用于\emph{ordered} BDD（OBDD），这是一类特殊的BDD，旨在保证规范性。然而，这些修订不能应用于\emph{sentential decision diagrams}（SDD），这是一种典型的更紧凑但仍然规范的布尔电路类，它概括了OBDD，但不是BDD的子类。在这里，我们填补了这一空白，推导出一个通用的SDDs的基础上Dalal修订的句法特征的修订算法。还提出了一种用于DNF的专门程序。随机生成的知识库进行的初步实验显示直接执行SDD形式主义内的修订的优势。
2022-01-20 cs.AI
How Do People Revise Inconsistent Beliefs? Examining Belief Revision in Humans with User Studies
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Imperial College London（伦敦帝国学院）；Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC））
该研究通过三项用户实验发现人类偏好基于解释的非最小化信念修正模式，为适配人类认知的AI系统设计提供了依据。
2025-06-11 cs.AI
Belief revision by examples
DIIAG - Sapienza University of Rome（罗马大学DIIAG）
信念修正中的一个常见假设是，信息源的可靠性要么是给定的，要么是从时间信息导出的，要么是所有信息源的可靠性都相同。这篇文章并没有描述一个新的集成语义，而是描述了根据先前合并的结果获得源代码的可靠性的问题。作为一个例子，两个传感器的相对可靠性可以在给定某些观察的情况下进行评估，并允许随后合并来自它们的数据。
2014-09-18 cs.AI
Representing states in iterated belief revision
DIAG, Sapienza University of Rome（罗马萨皮恩扎大学DIAG）
本文研究了迭代信念修正中信念状态表示的空间增长问题，比较了四种存储方法，发现字典序表示比显式、层级和自然表示更紧凑。
2025-04-28 cs.AI
On the use of evidence theory in belief base revision
Institut Supérieur d’Informatique et de Multimédia, Université de Sfax（斯法克斯大学高等信息与多媒体学院）；Laboratoire OLID (LR19ES21), Institut Supérieur de Gestion Industrielle, Université de Sfax（斯法克斯大学高等工业管理学院OLID实验室（LR19ES21））；Institut des Hautes Etudes Commerciales, Université de Sfax（斯法克斯大学高等商业研究学院）
本文论述的信念基础修订，这是一种形式的信念变化，包括纳入新的事实到代理的信念所表示的一组有限的命题公式。为了在进行修正时保证实际应用的可靠性和合理性，提出了可信信念基修正的思想，利用证据理论提供的合适工具定义了两个新的基于公式的修正算子.这些算子，在[9]中以与其他算子相同的精神统一提出，源于关于可信度而不是集合包含和基数的最大一致子基。此外，在这两个极端之间的运营商，证据理论让我们揭示了一些光的妥协运营商避免失去初始信念，以最大限度地可能。它的思想是从最大一致子基的所有可能交集中捕获最大一致集。通过实例对这些算子进行了说明，并与其它算子进行了比较。
2020-09-24 cs.AI
Parallel Belief Revision
Northrop Research and Technology Center（诺斯罗普研究与技术中心）
本文介绍了一个正式的系统，由沃尔夫冈Spohn开发的信念修订，并表明，该系统有一个并行的实现，可以从一个影响图的方式类似于贝叶斯网络派生。证明依赖于条件独立的概念公理化的完整性结果，与Spohn系统被用作条件独立的关系的语义。
2013-03-27 cs.AI
Distributed Revision of Belief Commitment in Multi-Hypothesis Interpretations
UCLA（加利福尼亚大学洛杉矶分校）
本文扩展了信念网络的应用，包括信念承诺的修正，即，对一组假设的绝对接受，这些假设共同构成了对现有证据的最令人满意的解释。建立了非单调推理的一致性模型，提出了分布式信念修正算法。我们表明，在单连接网络中，最令人满意的解释可以找到在线性时间的消息传递算法类似于一个信念更新。在多连通网络中，问题可能是指数困难的，但如果网络是稀疏的，拓扑考虑可以用来使解释任务易于处理。一般来说，找到最可能的假设组合并不比计算任何单个假设的置信度更复杂。在医学诊断中的应用举例说明。
2013-03-27 cs.AI
On Stochastic Belief Revision and Update and their Combination
Centre for Artificial Intelligence Research（人工智能研究中心）；University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）；CSIR Meraka（南非科学与工业研究理事会梅拉卡研究所）
我提出了一个框架，代理改变其概率信念时，观察到一个新的命题信息$α$。传统上，信念改变通过修正过程或更新过程发生，这取决于代理是否在静态世界中被告知$α$，或者分别取决于$α$是否是由于事件发生而来自环境的“信号”。Boutilier提出了一个定性信念变化的统一模型，该模型“结合了修订和更新的各个方面，提供了一个更现实的信念变化特征。在本文中，我提出了一个定量信念变化的统一模型，其中代理人的信念表示为可能世界上的概率分布。正如Boutilier一样，我采取了动力系统的观点。对所提出的方法进行了评估，对几个合理性假设，并制定了该方法的一些性质。
2016-04-07 cs.AI
Belief Revision with Uncertain Inputs in the Possibilistic Setting
Institut de Recherche en Informatique de Toulouse (IRIT) - CNRS（图卢兹计算机科学研究所（IRIT）- 法国国家科学研究中心）；Universite Paul Sabatier（保罗·萨巴蒂埃大学）
本文在可能性理论的框架下讨论了不确定输入下的信念修正问题。修正可以基于条件运算的两种可能的定义，一种基于min算子，其仅需要纯序标度，另一种基于乘积，其需要更丰富的结构，并且其是Dempster条件规则的特定情况。此外，在不确定输入下的修订可以以两种不同的方式来理解，这取决于输入是否被视为要强制执行的约束。此外，它表明，M.A.威廉姆斯的嬗变，最初定义在设置的Spohn的功能，可以捕捉在这个框架，以及Boutilier的自然修订。
2013-02-13 cs.AI
On Strengthening the Logic of Iterated Belief Revision: Proper Ordinal Interval Operators
Cardiff University（卡迪夫大学）；La Trobe University（乐卓博大学）
Darwiche和Pearl在1997年的开创性文章中概述了迭代信念修正逻辑的一些基本原则。这些原则，DP的假设，已经补充了一些替代方式。提出的大多数建议导致了一种“还原论”的形式，将信仰状态与世界的秩序等同起来。然而，这一立场最近被批评为不可接受的强硬。其他建议，如大众原则（P），又名“独立”，“可接受的”修正算子的特点，仍然值得称赞的是更温和。在本文中，我们补充了DP公设和（P）与一些新的条件。虽然DP假设约束的先验和后验条件信念集之间的关系，我们的新原则显着治理两个后验条件信念集之间的关系，从一个共同的前通过不同的修订。我们表明，运营商从由此产生的家庭，其中包括字典和限制修订，可以表示为相关的信念状态，与“适当的序数区间”（POI）分配，结构更细粒度比一个简单的世界秩序。我们关闭的文件注意到，这些运营商满足迭代版本的大量AGM时代的假设，包括超膨胀，这是不健全的一般容许运营商。
2018-07-26 cs.AI
Ordinal Conditional Functions for Nearly Counterfactual Revision
BCIT（不列颠哥伦比亚理工学院）
我们感兴趣的信念修订涉及条件语句的前提几乎肯定是假的。为了表示这样的问题，我们使用可以取无限值的有序条件函数。我们通过简单的算术运算来模拟这种情况下的信念变化，这些运算使我们能够捕捉到某些前因无法通过任何数量的观察来验证的直觉。我们框架我们的方法作为一种形式的有限的信念改善，我们提出了一个模型的条件信念修订，只有“正确的”假设水平的不可信性进行修订。
2016-03-31 cs.AI
On Limited Non-Prioritised Belief Revision Operators with Dynamic Scope
FernUniversität in Hagen（哈根远程大学）；TU Dortmund University（多特蒙德工业大学）
非优先修正研究的是修正算子不接受所有新信念。在本文中，我们通过引入动态有限修订的概念，这是一个总的前序在一组有限的世界表示的修订这条线的研究作出贡献。对于一个信念改变算子，我们考虑的范围，其中包括那些信念，产生成功的修订。我们发现，对于满足单句封闭和析取完备性的每一个集合，存在一个动态限制的修订，该修订具有该集合与信念集的联合作为范围。我们调查了信念和范围动态的迭代假设，并描述了它们的动态限制修订特征。作为一个应用，我们采用动态限制修订研究信念修订的背景下，所谓的固有信念，这是信念的全球接受的代理。这导致了我们称之为固有限制的修正算子。我们提出了一个表示定理的内在有限的修订，我们比较这些运营商和动态有限的修订密切相关的有限的修订运营商。
2021-08-17 cs.AI cs.LO
Belief revision and incongruity: is it a joke?
IRIT-CNRS（图卢兹计算机科学研究所-法国国家科学研究中心）；Université de Toulouse（图卢兹大学）
本文尝试形式化智能体听笑话时的智能行为，将其归结为信念修正、惊讶与违反规范的过程。
2023-09-05 cs.AI
SATEN: An Object-Oriented Web-Based Revision and Extraction Engine
SATEN是一个面向对象的基于Web的提取和信念修正引擎。它可以通过支持Java 1.1的浏览器（如Netscape 4）在任何计算机上运行。SATEN基于AGM方法进行信念修正。提取和信念修正推理引擎对用户指定的信息排名进行操作。SATEN的一个特点是，它可以用来将相互不一致的排名整合成一个一致的排名。
2000-03-14 cs.AI
Cognitive Bias and Belief Revision
Technical University of Denmark（丹麦技术大学）
本文在信念修正框架中形式化确认、框架和锚定三种认知偏差，分析其对条件化、词典序和最小修正方法真值追踪可靠性的影响，并通过模拟评估随机场景下的表现。
2023-07-11 cs.AI cs.LO
A general approach to belief change in answer set programming
Simon Fraser University（西蒙菲莎大学）
我们解决问题的信念改变（非单调）逻辑编程下的答案集语义。与以往的方法，相信逻辑编程的变化，我们的形式化技术类似于那些基于距离的信念修正命题逻辑。在发展我们的结果，我们建立在SE模型提供的逻辑程序的模型理论。由于SE模型提供了一个正式的，单调的逻辑程序的特点，我们可以适应技术从信仰的修订领域的信念改变逻辑程序。我们分别介绍了修改和合并逻辑程序的方法。对于前者，我们研究了基于子集的修订以及基数为基础的修订，我们表明，他们满足大多数的AGM修改假设。对于合并，我们考虑仲裁合并和IC合并后的运营商，分别。我们还提出了编码计算的修订，以及合并的逻辑程序在同一逻辑编程框架内，引起我们的方法在现成的答案集求解器方面的直接实施。这些编码反过来反映了这样一个事实，即我们的变化操作符并没有增加基本形式主义的复杂性。
2009-12-30 cs.AI
Parallel Belief Revision via Order Aggregation
La Trobe University（拉特罗布大学）；Cardiff University（卡迪夫大学）
针对并行信念修正模型难以扩展至迭代场景且现有理性公设缺乏统一解释的问题，研究基于TeamQueue序聚合器提出通用方法，可将串行迭代信念修正算子扩展处理并行变化，兼具合理性与严谨性。
2025-05-20 cs.AI
Belief Revision and Trust
British Columbia Institute of Technology（不列颠哥伦比亚理工学院）
信念修正是一个过程，在这个过程中，一个代理将一条新的信息与一组预先存在的信念结合在一起。当新信息以另一个代理的报告形式出现时，很明显，我们必须首先确定该代理是否应该信任。在本文中，我们提供了一个正式的方法来建模信任的信念修订前的预处理步骤。我们强调，信任不仅仅是代理人之间的关系;一个代理人对另一个代理人的信任往往局限于特定的专业领域。我们证明，这种形式的信任可以通过关联的状态分区与每个代理，然后相对化所有的报告，这个状态分区之前执行信念修订。通过这种方式，我们仅纳入报告中属于报告代理人所认为的专门知识领域的部分。不幸的是，基于专业知识的状态分区不允许我们比较相对于不同代理人的相对信任强度。为了解决这个问题，我们引入了伪度量状态来表示不同程度的信任。这使我们能够合并来自多个代理的同时报告，以确保最可信的报告被相信。
2014-04-30 cs.AI
Iterated Belief Change Due to Actions and Observations
British Columbia Institute of Technology（不列颠哥伦比亚理工学院）；Simon Fraser University（西蒙菲莎大学）
在行动领域，代理人可能有错误的信念，推理的影响，行动涉及推理信念的变化。在本文中，我们使用一个过渡系统的方法来推理代理信念的演变，因为行动的执行。一些动作导致代理执行信念修正，而另一些动作导致代理执行信念更新，但是修正和更新之间的交互可以是非基本的。我们提出了一套合理性属性描述修订和更新之间的相互作用，我们引入了一类新的信念变化算子的推理交替序列的修订和更新。我们的信念改变运营商的特点是在一个自然的移位操作总预排序的解释。我们比较了我们的方法与相关工作迭代的信念变化，由于行动，我们得出的结论与未来的研究方向。
2014-01-16 cs.AI
Iterated Belief Change, Computationally
FernUniversität in Hagen（哈根远程大学）
迭代信念变化是研究信念在（可能是无限的）许多后续信念变化中的动态变化的原则的研究领域。在本文中，我们演示了迭代的信念变化是如何连接到计算。特别是，我们表明，迭代信念修订是图灵完成，即使在广泛接受的原则，如迭代修订的Darwiche-Pearl假设的条件下。
2022-02-17 cs.AI
Surprise Minimization Revision Operators
Institute for Logic, Language and Computation（逻辑、语言与计算研究所）；The University of Amsterdam（阿姆斯特丹大学）
信念修正的主要方法是采用尽可能接近先前信念的新信念，即使在标准情况下，这个过程也可以被描述为试图最大限度地减少惊喜。在这里，我们扩展现有的模型，提出了一个措施的惊喜，被称为相对惊喜，惊喜的计算不仅与先前的信念，但也提供了更广泛的背景下，新的信息，使用的措施来自熟悉的真值分配之间的距离概念。我们的特点，从而定义使用一组直观的合理性假设的AGM模具的惊喜最小化修订运营商，沿途获得代表性的结果，其他现有的修订运营商在文献中，如Dalal运营商和最近推出的基于距离的最小-最大运营商。
2021-11-21 cs.AI
Preorder-Based Triangle: A Modified Version of Bilattice-Based Triangle for Belief Revision in Nonmonotonic Reasoning
Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达普大学）
基于双格的三角形为模糊和不确定信息的推理提供了一个优雅的代数结构。但是，基于双格三角形的区间真值和知识排序不能处理重复的信念修正，这是非单调推理的一个基本特征。此外，由双格三角形在区间上诱导的排序有时并不直观。在这项工作中，我们构建了另一种代数结构，即基于前序的三角形，我们制定适当的逻辑连接词。它也表明，基于前序的三角形是一个更好的替代基于双格的三角形推理的应用领域，涉及非单调模糊推理与不确定信息。
2017-11-07 cs.AI
Belief Conditioning Rules (BCRs)
在本文中，我们提出了一个新的家庭的信念条件规则（BCR）的信念修正。这些规则是不直接相关的融合的几个来源的证据，但在给定的时间，根据新的真理（即条件约束），一个有关于空间的解决方案的问题的信念分配的修订。
2006-11-29 cs.AI
Extending the Harper Identity to Iterated Belief Change
Cardiff University（卡迪夫大学）；La Trobe University（乐卓博大学）
迭代信念改变的领域主要集中在修正上，AGM信念改变理论的另一个主要算子，即收缩，受到的关注相对较少。本文将一步变化的Harper恒等式推广到迭代修正的迭代压缩。具体地说，正如哈珀恒等式提供了一个根据（i）初始信念集和（ii）由非A修正产生的信念集来定义由收缩A产生的信念集的方法，我们研究了根据（iii）初始可扩展性排序来定义由收缩A产生的世界上的可扩展性排序的方法，以及（iv）由非A的修订产生的可解释性排序。在注意到最直接的这种扩展会导致允许的排序空间的平凡化后，我们提供了一个家庭的运营商相结合的可扩展性排序，避免这样的结果。这些运营商的特点是在我们感兴趣的领域由一对直观的令人信服的属性，从而使推导出一些迭代的收缩公设从公设迭代修订。我们完成观察，这个家庭的一个突出的成员允许导出的同行收缩的一些著名的迭代修订运营商，以及定义新的迭代收缩运营商。
2016-04-19 cs.AI
A Consistency-Based Model for Belief Change: Preliminary Report
我们提出了一个一般的，基于一致性的信念改变的框架。非正式地，在用A修改K时，我们从A开始，并尽可能一致地纳入K。形式上，知识库K和句子A通过在K中重命名命题而以不同的语言表达。使用最大化过程，我们假设语言在一致的可能范围内是相同的。最后，我们用一种语言来表达所得到的知识库。可能有不止一种方法可以使A被K如此扩展：在选择修订中，一个这样的“扩展”代表修订的状态;或者修订由所有这样的扩展的交集组成。我们的方法的最一般的配方是足够灵活的，以表达其他方法的修订和更新，合并的知识库，并纳入静态和动态的完整性约束。我们的框架不同于基于顺序条件函数的工作，特别是在迭代修订方面。我们认为，该方法是非常适合实施：选择修订运营商提供更好的复杂性比一般的修订结果;该方法可以表示在一个有限的知识库;和修订的范围可以被限制为只是那些命题中提到的句子修订A。
2000-04-03 cs.AI
Revision by Conditionals: From Hook to Arrow
La Trobe University（拉筹伯大学）；Cardiff University（卡迪夫大学）
信念修正文献主要集中在如何根据事实信息修正信念的问题上。在这里，我们转向一个重要但相对被忽视的问题：如何扩展修订操作符来处理作为输入的条件？我们的做法，这个问题的“有条件的修订”是独特的，因为它抽象的争议细节，如何修改的事实句子。我们引入了一个“即插即用”的方法，唯一地扩展任何迭代的信念修订运营商的条件的情况下。我们的方法的灵活性是通过有条件修订的结果由拉姆齐测试条件（“箭头”）确定的一个普通的修订由其相应的材料条件（“钩”）。它满足一些新的约束，是独立的利益。
2020-06-29 cs.AI
Interval Orders, Biorders and Credibility-limited Belief Revision
Cardiff University, United Kingdom（Cardiff大学，英国）；Université Sorbonne Paris Nord, Inserm, Sorbonne Université, Limics（巴黎-索邦大学，Inserm，索邦大学，Limics）；CAIR, University of Cape Town, South Africa（开普敦大学，南非）；ISTI-CNR, Pisa, Italy（意大利比萨CNR ISTI）
本文研究了区间序和双序在信念修正中的应用，提出了非优先修正家族，探讨了可信度限制下的信念修正方法。
2026-04-29 cs.AI
On Mixed Iterated Revisions
Sapienza University of Rome（罗马大学）
存在几种形式的可迭代信念改变，在改变的种类和强度上有所不同：一些算子引入公式，其他算子删除公式;一些算子无条件地添加公式，其他算子仅作为对先前信念的添加;一些算子仅与当前情况相关，其他算子在所有可能的情况下。一系列的改变可能涉及其中的几个：例如，第一步是修正，第二步是收缩，第三步是对先前信念的细化。在这篇文章中考虑的10个运营商被证明是所有可减少到三个：字典的修订，细化和严重的撤回。反过来，这三个可以表达在词典修订的成本重组的顺序。这种重组不需要显式地完成：示出了对原始序列起作用的算法。同时分析了混合信度变换算子序列的复杂性。它们中的大多数只需要多项式数量的调用可满足性检查器，有些甚至更容易。
2021-04-08 cs.AI
The Realizability of Revision and Contraction Operators in Epistemic Spaces
FernUniversität in Hagen（哈根成人大学）
本文研究认知空间中信念修正与收缩算子的可实现性，发现AGM算子仅在精确确定空间中可实现，并提出线性变化算子作为其规范实现。
2024-07-30 cs.AI
Iterated belief revision: from postulates to abilities
DIAG, Sapienza University of Rome（迪亚格，罗马萨皮恩扎大学）
本文提出从公设约束转向能力分析的信念修正研究视角，系统刻画并证明了多种修正机制（如词典序、自然、激进等）在可达性、可塑性、教条化等方面的能力差异。
2025-07-03 cs.AI cs.LO
Implementing Integrity Constraints in an Existing Belief Revision System
SNePS是一个成熟的知识表示，推理和代理系统，长期以来一直包含一个信念修正子系统，称为SNeBR。SNeBR被触发时，一个明确的矛盾被引入到SNePS信念空间，无论是因为用户的新断言，或因为用户的查询。SNeBR然后让用户决定从信念空间中删除什么信念，以恢复一致性，尽管它提供了帮助用户做出决定的信息。我们最近在SNeBR中添加了自动信念修正，在某些情况下，SNeBR会自行决定删除哪个信念，然后通知用户该决定及其后果。我们已经使用了众所周知的信念修订的完整性约束作为指导，在设计自动信念修订，考虑到，但是，SNePS的信念空间是不是演绎封闭的，这将是不可行的，以形成演绎封闭，以决定什么信念删除。本文简要介绍了SNeBR之前和之后的修订，讨论了我们如何适应完整性约束，为此目的，并给出了一个新的SNeBR的行动的例子。
2000-03-08 cs.AI cs.LO
Modeling Belief in Dynamic Systems, Part II: Revisions and Update
信念变化的研究一直是哲学和人工智能领域的一个活跃领域。近年来，人们对信念改变的两种特殊情况--信念修正和信念更新进行了详细的研究。在一个配套文件中，我们介绍了一个新的框架模型的信念变化。这个框架结合了时间和认知模态的概念，使我们能够检查随着时间的推移信念的变化。在本文中，我们将展示如何在我们的框架中捕获信念修正和信念更新。这使我们能够比较每种方法所做的假设，并更好地理解它们背后的原理。特别是，它表明，胜野和门德尔松的信念更新的概念取决于几个强有力的假设，可能会限制其在人工智能的适用性。最后，我们的分析使我们能够确定一个概念，最小的变化，基础广泛的信念改变操作，包括修订和更新。
2003-07-30 cs.AI cs.LO
Iterated Belief Base Revision: A Dynamic Epistemic Logic Approach
UFBA（巴西联邦巴伊亚大学）；UFRGS（巴西联邦里约格兰德联邦大学）；PUCRS（巴西天主教里约格兰德大学）
AGM的信念修正是信念改变操作研究的主要范式之一。在这种情况下，信念基地（优先基地）已在很大程度上用于指定代理的信念状态-无论是代表代理的“明确的信念”或作为一个计算模型，她的信念状态。虽然连接的迭代AGM类操作和它们的编码在动态认知逻辑已经研究过，很少有作品考虑如何著名的假设从迭代信念修正理论的特点是通过信念基地和他们的对手在动态认知逻辑。这项工作研究如何优先图，语法表示的偏好关系深深连接到优先基地，可以用来识别信念变化算子，专注于众所周知的假设迭代信念变化。我们提供的句法表示的信念变化运营商在一个动态的背景下，以及新的负面结果的可能性，表示一个迭代的信念修订操作使用优先图上的转换。
2019-02-17 cs.AI cs.LO
Forgetting in short and heterogeneous sequences of belief revisions
DIAG, Sapienza University of Rome（罗马萨皮恩扎大学DIAG）
该研究聚焦信念修正序列中的遗忘问题，证明了相关场景的复杂度下界，提出了两次词典序Horn修正场景下的多项式算法，并将异构序列的难性从coNP提升至Dp。
2025-05-16 cs.AI cs.CC
Descriptor Revision for Conditionals: Literal Descriptors and Conditional Preservation
FernUniversität in Hagen（哈根远程大学）
Hansson的描述符修正是解决信念改变问题的一个框架。在描述符修改中，不同类型的变更过程在一个联合框架中处理。个别的变化需求是合格的信念描述符表示的特定成功条件，和信念描述符可以结合逻辑连接词。这与目前由阿尔肖龙、格登福斯和梅金森塑造的主流年度股东大会范式形成了鲜明对比，在这种范式中，不同类型的变更（如修订或收缩）被单独处理。在这篇文章中，我们研究了条件逻辑的描述符修改的实现，同时限制描述符的文字描述符的连接。我们应用的原则，条件保存开发的Kern-Isberner描述符修订条件，说明如何描述符修订条件下，这些限制的特点是一个约束满足问题，并实现它使用约束逻辑编程。由于我们的条件逻辑包含命题逻辑，我们的方法也实现了命题逻辑的描述符修订。
2020-06-02 cs.AI
A Conditional Perspective for Iterated Belief Contraction
FernUniversität in Hagen（哈根开放大学）；Technical University Dortmund（多特蒙德工业大学）
根据Boutillier，Darwiche，Pearl和其他人的说法，迭代修正的原则可以用改变对条件句的信念来描述。对于迭代收缩，类似的公式是未知的。这尤其是因为对于迭代信念变化，通过列维和哈珀恒等式的修正和收缩之间的联系并不直接，因此，表征结果在迭代修正和收缩之间不易转移。在这篇文章中，我们开发了一个公理化的迭代收缩在不断变化的条件信念。我们证明了一组新的公设符合语义的操作员类，如Konieczny和皮诺佩雷斯迭代压缩。
2019-11-20 cs.AI
Belief Revision, Minimal Change and Relaxation: A General Framework based on Satisfaction Systems, and Applications to Description Logics
Centrale Supelec（中央理工-高等电力学院）；Université Paris-Saclay（巴黎萨克雷大学）；Université Paris-Dauphine（巴黎多芬大学）；CNRS（法国国家科学研究中心）；Télécom ParisTech（巴黎电信学院）
信念修订的知识库表示的一组句子在一个给定的逻辑已被广泛研究，但具体的逻辑，主要是命题，最近也霍恩和描述逻辑。在这里，我们建议从模型理论的角度来概括这种操作，通过定义在一个抽象的模型理论的名称下的满意度系统的修订。在这个框架中，我们推广到任何满意度系统的特征的著名AGM假设给出的胜野和Mendelzon命题逻辑的最小变化之间的解释。此外，我们研究了如何定义修订，满足AGM假设，从松弛的概念，已首次引入描述逻辑定义概念之间的相异性措施，其后果是放松的旧信念的模型集，直到它成为符合新的知识。我们展示了如何建议的一般框架可以在不同的逻辑，如命题，一阶，描述和霍恩逻辑实例化。特别是描述逻辑，我们介绍了几个具体的松弛算子定制的描述逻辑$\ALC{}$和它的片段$\EL{}$和$\ELext{}$，讨论它们的属性，并提供了一些说明性的例子。
2017-01-13 cs.AI
Imagining Probabilistic Belief Change as Imaging (Technical Report)
University of Cape Town（开普敦大学）
成像是一种概率信念改变的形式，可以用于修订和更新。在本文中，我们提出了一个新的框架，概率信念变化的基础上成像，称为预期距离成像（EDI）。EDI是足够普遍的定义贝叶斯条件和其他形式的成像以前在文献中定义。我们认为，并调查如何，EDI可以用于修订和更新。EDI的定义取决于至关重要的权重函数的性质进行了研究，并分析了其对信念改变操作的影响。最后，提出了四个EDI实例，两个用于修订和两个用于更新，并提出了概率合理性假设进行分析。
2017-05-02 cs.AI
DeltaLogic: Minimal Premise Edits Reveal Belief-Revision Failures in Logical Reasoning Models
Amazon（亚马逊）
DeltaLogic通过最小证据变化评估逻辑推理模型的信念修正能力，发现初始推理能力强并不等于修正行为强，Qwen3-4B在修正任务中仍存在惯性失败，Phi-4-mini-instruct表现更优但仍有非 trivial 抽象问题。
2026-04-03 cs.AI
An Investigation of Darwiche and Pearl's Postulates for Iterated Belief Update
Jinan University（暨南大学）
本文针对Rodrigues迭代信念更新方法不满足基本要求的问题，基于信念状态修改KM公设，将迭代信念修正公设迁移到信念更新，并给出偏预序语义刻画及相容性分析。
2023-10-28 cs.AI
Relevance Sensitive Non-Monotonic Inference on Belief Sequences
我们提出了一种方法，相关敏感的非单调推理的信念序列，其中包括有关优先推理和相关敏感，不一致容忍的信念修订的见解。我们的模型使用一个有限的，逻辑上开放的序列的命题公式作为信念的表示，并定义了一个概念的推理maxconsistent子集的公式指导下的两个排序：一个时间序列和排序的基础上的相关关系的结论和公式的序列。相关关系是三元的（使用上下文作为参数），而不是标准的二元公理化。因此，定义的推理操作很容易处理迭代修订维护修订历史，块推导不一致的答案从一个可能不一致的序列，并保持显式和隐式信念之间的区别。在这样做的过程中，它提供了一个自动代理的推理的形式主义和一个合理的模型。
2000-03-08 cs.AI
Source-Sensitive Belief Change
Amirkabir University of Technology（阿米尔卡比尔理工大学）
AGM模型是信念修正模型中最引人注目的框架。但是，它并不是在所有方面都很完美。次协调信念修正，多智能体信念修正和非优先信念修正是AGM的三个不同的扩展，以解决三个重要的批评适用于it.In这篇文章中，我们提出了一个框架的基础上AGM的立场，在这些类别。此外，我们还讨论了我们的框架的一些特点，并研究了AGM假设在这一新的背景下的可满足性。
2017-05-05 cs.AI cs.LO
Non-characterizability of belief revision: an application of finite model theory
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；MTA-SZTE Research Group on Artificial Intelligence（MTA-SZTE人工智能研究组）
一个正式的框架给出了一类信念修正算子的特征，定义使用最小化一类部分前序，由公设。它表明，对于偏序特征化蕴含着一元二阶逻辑的偏序类的可定义性。基于一类偏序的不可定义性结果，给出了一类不可刻画的修正算子的例子。这似乎是信念修正中的第一个非特征化结果。
2014-03-31 cs.AI cs.LO math.LO
Credibility-Limited Revision for Epistemic Spaces
FernUniversität in Hagen（哈根函授大学）
针对允许不一致信念的认知空间信念变化框架中原有可信度受限修正算子不包含AGM修正算子的问题，研究提出保留其核心初衷的扩展算子，给出公理定义与基于可能世界全预序的语义刻画。
2024-09-11 cs.AI cs.LO
EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation
Sun Yat-sen University（中山大学）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
EvoSCM 为科学智能体配备可演化的结构因果模型，通过封闭发现循环修正信念，在 DiscoverPhysics 基准上优于基线，提升科学发现的准确性与实验交互效率。
2026-09-29 cs.AI
Qualitative Belief Conditioning Rules (QBCR)
University of New Mexico（新墨西哥大学）；ONERA（法国国家航空航天研究院）
在本文中，我们扩展了新的家庭（定量）的信念条件规则（BCR）最近开发的Dezert-Smarandache理论（DSmT），他们的定性对应信念修订。由于新事件的发生，（条件约束）可以以许多可能的方式完成，我们在这里只介绍我们认为最吸引人的定性信念条件规则（QBCR），它允许直接用单词和语言标签来修改信念，从而避免了广告的引入。将定量信念转换为定量信念以解决问题。
2007-09-04 cs.AI
A modal logic translation of the AGM axioms for belief revision
University of California, Davis（加州大学戴维斯分校）
本文在 Bonanno 工作基础上构造含信念、条件和全局算子的模态逻辑，为每条 AGM 信念修正公理建立对应模态公理，并通过 Kripke-Lewis 框架性质证明双向刻画。
2025-02-20 cs.AI cs.LO
Automated Reasoning Using Possibilistic Logic: Semantics, Belief Revision and Variable Certainty Weights
Universite Paul Sabatier（保尔·萨巴蒂埃大学）
本文提出了一种基于可能性逻辑的不确定性自动推理方法，为此，我们处理条款加权的程度是一个下界的必要性或可能性措施，根据性质的不确定性。两种归结规则用于处理不同的情况，反驳方法可以推广。此外，下界被允许是变量的函数在子句中，这给假设推理能力。我们的方法和最小化异常的想法之间的关系进行了简要的讨论。在只涉及必要性测度下界的情况下，提出了一种语义，证明了扩展归结原理的完备性。此外，从一个部分不一致的知识库推导可以在这种方法中管理，并显示出某种形式的非单调性。
2013-03-27 cs.AI
Probabilistic Belief Change: Expansion, Conditioning and Constraining
University of Amsterdam（阿姆斯特丹大学）
信念修正的AGM理论已成为研究理性信念变化的重要范式。不幸的是，研究人员在这一范式限制了他们的注意力相当简单的信念状态表示，即逻辑封闭的命题句子集。在我们看来，这导致了对信念改变操作的过于抽象的分类：扩张、修正或收缩。偶尔，在AGM范式中，也考虑了概率信念变化，并且广泛接受概率版本的扩展是条件反射。然而，我们认为，它可能是更正确的视条件和扩展为两种本质上不同的信念变化，我们所谓的约束是一个更好的候选人被认为是概率扩展。
2013-01-23 cs.AI
