Updating Probabilities in Multiply-Connected Belief Networks
Stanford University（斯坦福大学）
本文主要研究多连通信度网络中的概率更新问题。Pearl设计了调节的方法，这使我们能够通过为网络选择一个环割集并实例化这些环割集节点，将他在单连接网络中的信念更新算法应用于多连接信念网络。我们讨论所选节点需要满足的条件。我们提出了一个启发式算法找到一个循环割集，满足这些条件。
2013-03-27 cs.AI
Price Updating in Combinatorial Prediction Markets with Bayesian Networks
Yahoo! Research（雅虎研究院）；Duke University（杜克大学）
为了克服基于对数市场评分规则（LMSR-based）的组合预测市场中计算/更新价格的#P-困难，Chen等人。[5]最近使用一个简单的贝叶斯网络来表示锦标赛组合预测市场中证券的价格，并表明两种类型的流行证券是结构保持的。在本文中，我们显着扩展这一想法，采用贝叶斯网络在一般的组合预测市场。我们揭示了一个非常自然的连接基于LMSR的组合预测市场和概率信念聚合，这导致了一个完整的表征所有结构保持证券可分解的网络结构。值得注意的是，Chen等人[5]的主要结果是我们特征的推论。然后，我们证明，为了一个非常基本的证券集是结构保持，贝叶斯网络的图必须是可分解的。我们还讨论了一些近似技术的证券结构不保持。
2012-02-14 cs.AI cs.GT
Learning Bayesian Networks from Incomplete Databases
从数据库中学习贝叶斯置信网络（BBN）图形结构的贝叶斯方法都假设数据库是完整的，也就是说，没有条目被报告为未知。试图放宽这一假设涉及到昂贵的迭代法的使用，以区分不同的结构。本文介绍了一种确定性的方法来学习一个BBN的图形结构，从一个可能不完整的数据库。实验结果表明，该方法具有很强的鲁棒性，并且其执行时间与丢失数据的数量具有显著的独立性。
2013-02-06 cs.AI cs.LG
Sample-and-Accumulate Algorithms for Belief Updating in Bayes Networks
贝叶斯网中的信念更新是一个众所周知的计算困难的问题，最近已经被几种确定性算法和各种随机近似算法所近似。确定性算法通常提供概率界，但具有指数运行时间。一些随机化方案具有多项式运行时间，但仅提供概率估计。我们提出了随机算法，枚举高概率的部分实例，从而在概率界。这些算法中的一些也是采样算法。具体来说，我们介绍和评估的一个变种的后向采样，作为一个采样算法和随机枚举算法。我们还放松了采样和累积算法所使用的隐式假设，即查询节点必须在所有样本中实例化。
2013-02-13 cs.AI
Exploiting Causality for Selective Belief Filtering in Dynamic Bayesian Networks (Extended Abstract)
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Edinburgh（爱丁堡大学）
动态贝叶斯网络（DBNs）是一种研究状态部分可观测随机过程的通用模型。DBN中的信念过滤是基于不完整和不确定的观察来推断信念状态（即过程状态的概率分布）的任务。在这篇文章中，我们探索了通过自动利用过程中的因果关系来加速过滤任务的想法。我们考虑一种特定类型的因果关系，称为被动性，它涉及状态变量如何引起其他变量的变化。我们提出了基于被动性的选择性信念过滤（PSBF）方法，该方法保持了一个因子化的信念表示，并利用被动性对信念因子进行选择性更新。PSBF在合成过程和模拟的多机器人仓库，在那里它优于其他过滤方法，利用被动。
2019-07-10 cs.AI cs.RO
Updating with Belief Functions, Ordinal Conditioning Functions and Possibility Measures
Universite Paul Sabatier（保尔·萨巴蒂埃大学）
本文讨论了当一个新的信息，这可能是弥漫着不确定性，变得可用时，如何更新的不确定性度量表示的知识状态。这个问题被认为是在不同的框架，即：Shafer的证据理论，Zadeh的可能性理论，Spohn的认识状态理论。在前两种情况下，类似的杰弗里的规则的条件介绍和讨论。强调了Spohn模型与可能性理论的关系，并将Spohn更新规则与可能性理论中的Jeffrey类条件作用规则进行了对比。最近的结果Shenoy组合的顺序条件函数重新解释的语言的可能性理论。它表明，谢诺伊的组合规则有一个众所周知的可能性对应。
2013-03-27 cs.AI
Belief Updating by Enumerating High-Probability Independence-Based Assignments
Air Force Institute of Technology（空军理工学院）；Ben Gurion University of the Negev（内盖夫本-古里安大学）
基于独立性（IB）的贝叶斯信念网络分配最初被提出作为溯因解释。IB分配分配更少的变量在溯因解释比计划分配值的所有证据支持的变量。我们使用IB分配来近似贝叶斯信念网络中的边缘概率。最近的工作在贝叶斯网络的信念更新试图近似后验概率找到一个小数目的最高概率完成（或可能证据支持）的分配。在某些假设下，这些赋值的并集中的概率质量足以获得良好的近似。这种方法对于高度连接的网络特别有用，其中最大团大小或割集大小使标准算法难以处理。由于IB作业包含较少的分配变量，因此每个作业中的概率质量大于相应的完整作业。因此，更少的IB赋值就足够了，并且可以更有效地获得良好的近似。IB分配可以用于有效地近似后验节点概率，即使在不遵守先前研究中使用的相当严格的偏度假设的情况下。提出了两种寻找高概率IB分配的算法：一种是最佳优先启发式搜索算法，另一种是专用整数线性规划算法。实验结果表明，该方法对高度连通的信度网络是可行的。
2013-02-27 cs.AI
Do Language Models Have Beliefs? Methods for Detecting, Updating, and Visualizing Model Beliefs
Meta AI；UNC Chapel Hill（北卡罗来纳大学教堂山分校）
语言模型有关于世界的信念吗？丹尼特（Dennett，1995）提出了一个著名的观点，即即使是恒温器也有信念，信念只是一种与任何动机状态脱钩的信息状态。在本文中，我们讨论了检测模型何时具有关于世界的信念的方法，并改进了更新模型信念以使其更真实的方法，重点是基于学习优化器或超网络的方法。我们的主要贡献包括：（1）用于评估信念更新方法的新度量，其关注信念的逻辑一致性，（2）用于改进学习优化器的性能的顺序、局部和泛化模型更新（SLAG）的训练目标，以及（3）信念图的引入，这是与语言模型的接口的新形式，其显示模型信念之间的相互依赖性。我们的实验表明，模型只在有限的程度上具有类似信念的品质，但更新方法可以修复不正确的模型信念，并大大提高其一致性。虽然现成的优化器是令人惊讶的强大的信念更新基线，我们学习的优化器可以在更困难的设置比在过去的工作中被认为是优于他们。代码可在https://github.com/peterbhase/SLAG-Belief-Updating上获得
2021-11-26 cs.AI cs.CL cs.LG
Evidence Updating for Stream-Processing in Big-Data: Robust Conditioning in Soft and Hard Fusion Environments
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
鲁棒的信念修正方法是至关重要的，在流数据的情况下，更新现有的知识或信念与新的传入证据。贝叶斯条件是使用概率推理的数据融合系统中用于信念修正的主要机制。然而，传统的调节方法由于利用软（即，人或基于人的）源除了硬（即，基于物理的）传感器。本文的目的是调查最自然的扩展贝叶斯条件，是适合证据更新存在这样的不确定性。通过将证据更新过程视为一个思想实验，推导出一种优雅的策略，用于在存在大数据环境特有的极端不确定性的情况下进行稳健的证据更新。特别是，利用Fagin-Halpern条件的概念，贝叶斯条件的自然扩展是来自证据，采取的形式，一般的信念函数。所提出的工作从根本上不同于条件更新方程（CUE）和作者自己的扩展它。此外，还提供了各种融合背景下的参数选择的见解。
2017-06-10 cs.AI
The Temporal Dynamics of Belief-based Updating of Epistemic Trust: Light at the End of the Tunnel?
Ludwig-Maximilians-University of Munich (LMU)（慕尼黑大学（LMU））；Friedrich Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）；Birkbeck College London（伦敦伯克贝克学院）
我们开始与结果和基于信念的贝叶斯模型的顺序更新代理人的信念和主观可靠性的来源（信任）的区别。然后，我们重点讨论了有影响力的贝叶斯模型的基于信念的信任更新的埃里克奥尔森，该模型的二分法事件，并明确表示反可靠性。在勾画了一些灾难性的最近的结果，这也许是最有前途的模型的信念更新，我们展示了新的模拟结果的时间动态的学习信念，有和没有信任更新，有和没有沟通。结果似乎至少为沟通和信任更新代理提供了一些更积极的信息。这可能是基于信念的信任更新模型隧道尽头的一盏灯，但对明确发现的解释却不那么清楚。
2019-12-24 cs.AI cs.SI
Plinko: Eliciting beliefs to build better models of statistical learning and mental model updating
University of Waterloo（滑铁卢大学）；Toyota Research Institute（丰田研究院）
先验信念是贝叶斯认知解释的核心，但许多解释并不直接测量先验。更具体地说，信念的初始状态严重影响了在更新特定模型时假设如何利用新信息。尽管如此，先验和后验信念要么是从连续的参与者行为中推断出来的，要么是通过贫困的手段得出的。我们让参与者玩一个版本的游戏“Plinko”，首先以理论上不可知的方式引出个体参与者的先验知识。随后的学习和更新的参与者的信念，然后直接测量。我们发现，参与者持有各种先验的集群周围的原型概率分布，反过来影响学习。在后续的实验中，我们表明，参与者先验是稳定的，随着时间的推移，更新信念的能力是由一个简单的环境操纵（即短暂的休息）的影响。这些数据揭示了直接测量参与者信念的重要性，而不是像迄今为止文献中广泛做的那样假设或推断它们。普林科博弈为检验统计学习和心智模型更新提供了一种灵活而富有成效的方法。
2022-01-08 cs.AI q-bio.NC q-bio.QM
Updating belief functions over Belnap--Dunn logic
INSA Centre Val de Loire（中央卢瓦尔河谷国立应用科学学院）；Univ. Orléans（奥尔良大学）；Czech Academy of Sciences（捷克科学院）
置信度和可信度是比概率更弱的不确定性度量。它们的动机是当完全的概率信息不可用时的情况。然而，信息也可能是矛盾的。因此，经典逻辑的框架不一定是最合适的。Belnap-Dunn逻辑被用来推理不完整和矛盾的信息。Klein等人和Bilkova等人分别将概率测度和置信函数的概念推广到Belnap-Dunn逻辑。在这篇文章中，我们研究了如何用新的信息更新信念函数。我们提出了第一种方法，通过Belnap-Dunn逻辑的框架语义。
2022-05-30 cs.AI cs.LO math.PR
Belief Updating and Learning in Semi-Qualitative Probabilistic Networks
本文探讨了结合数值和定性信息的半定性概率网络（SQPN）。我们首先证明了SQPN的精确推理是NPPP完全的。然后，我们表明，现有的SQPN（加上概率逻辑和不精确的评估）的定性关系，可以有效地处理通过多线性规划。然后我们讨论学习：我们考虑一种最大似然方法，它在给定SQPN和经验数据的情况下产生点估计，我们描述了一种贝叶斯思想的方法，它采用不精确狄利克雷模型来产生集值估计。
2012-07-04 cs.AI stat.ML
A New Approach to Updating Beliefs
IBM Almaden Research Center（IBM阿尔马登研究中心）
我们定义了一个新的概念，条件信念，它扮演着相同的作用，Dempster-Shafer信念函数的条件概率概率的概率函数。我们的定义不同于Dempster给出的标准定义，并且避免了该定义的许多众所周知的问题。正如条件概率Pr（lB）是一个概率函数，它是条件B为真的结果，所以我们的条件信念函数Bel（lB）也是一个信念函数，它是条件B为真的结果。我们将条件信念定义为一个条件概率函数族的下包络（即inf），并提供了一个封闭形式的表达式，通过考虑早期论文[Fagin和Halpern，1989]中的思想，我们将信念函数与内部测度联系起来，提供了理解条件信念定义的另一种方式。特别是，我们在这里展示了如何将条件概率的定义扩展到不可测集，以获得内部和外部条件概率的概念，考虑到我们缺乏信息，这些条件概率可以被视为真实条件概率的最佳近似。我们对条件信念的定义与我们对内部条件概率的定义完全相似。
2013-03-27 cs.AI cs.LO
Provenance-Aware Belief Updating in Human-AI Feedback Loops
Ryquo（瑞阔）；App-In Club（App-In俱乐部）
本研究提出LQET方法，使语言模型依据证据来源而非报告数量更新信念，在基准测试及闭环模拟中显著降低误差与漂移，为动态人机系统构建提供了可行路径。
2026-10-28 cs.AI
When Does Belief-Based Agent Memory Help? Reliability-Conditional Updating and Provenance-Capped Poisoning Defense
Indian Institute of Technology Ropar（印度理工学院罗巴尔分校）
提出Nous记忆架构，基于知识即预测而非存储的原则，通过贝叶斯更新维护概率分布，以信息论惊喜度评分并记录信念变化，在LoCoMo基准上取得优于对比方法的F1分数。
2026-07-17 cs.AI cs.CL cs.IR
Typical models: minimizing false beliefs
School of Computer Science and Engineering（计算机科学与工程学院）；The Hebrew University（希伯来大学）
描述现实世界的一部分的知识系统S通常不包含完整的信息。不完全信息的推理容易出错，因为从S导出的任何信念在当前世界状态下都可能是错误的。错误的信念可能会暗示错误的决定，并导致有害的行为。因此，一个重要的目标是使错误的信念尽可能不可能。这项工作介绍了“典型原子”和“典型模型”的概念，并表明，与典型模型的推理最大限度地减少了预期数量的错误信念在所有的方式使用不完整的信息。研究了典型模型的各种性质，特别是典型模型所建议的信念的正确性和稳定性，以及它们与不经意推理的关系。
2011-05-19 cs.AI
Proactive Knowledge Inquiry in Doctor-Patient Dialogue: Stateful Extraction, Belief Updating, and Path-Aware Action Planning
The Hong Kong Polytechnic University（香港理工大学）
本文提出了一种基于部分可观测性的主动知识探究框架，通过状态提取、信念更新和路径感知动作规划，提升电子病历生成的覆盖性和准确性。
2026-03-18 cs.AI
Empirical Evaluation of Approximation Algorithms for Probabilistic Decoding
University of California, Irvine（加州大学尔湾分校）
最近表明，通过噪声信道传输的解码消息的问题可以用公式表示为概率网络上的信念更新任务[McEliece]。此外，据观察，迭代应用（线性时间）珍珠的信念传播算法设计的多边形树优于最先进的解码算法，即使相应的网络可能有许多周期。本文证明了经验的近似算法approx-mpe解决最可能的解释（MPE）问题，最近提出的小桶消除框架内[Dechter 96]，优于迭代置信传播类的编码网络，有界的诱导宽度。我们的实验表明，近似MPE解码器可以很好的竞争对手的近似信念更新解码器。
2013-01-30 cs.AI
Higher-Order Belief in Incomplete Information MAIDs
University of Oxford（牛津大学）；Columbia University（哥伦比亚大学）；Imperial College London（伦敦帝国学院）
本文提出不完全信息多智能体影响图（II-MAIDs），建立其与无共同先验不完全信息扩展式博弈的等价关系，并基于递归最佳响应定义更现实的解概念，以建模智能体间的高阶信念差异。
2025-03-08 cs.AI cs.MA
Large language models exhibit unreliable updating of clinical judgment as patient evidence evolves
University of Minnesota（明尼苏达大学）
本研究通过重症监护轨迹评估发现，LLMs在临床判断更新中不可靠，存在对恶化证据过度反应及先前信念偏差，提示无法通过提示修复，并引入EVLU指标揭示可靠性-覆盖率权衡。
2026-10-05 cs.AI cs.CL
On the Variational Costs of Changing Our Minds
University of Oxford（牛津大学）；VERSES AI Research Lab（VERSES人工智能研究实验室）
本文提出一个资源理性变分框架，将信念更新建模为在信念效用与KL散度信息代价之间权衡的有动机决策，并通过计算实验模拟确认偏误和态度极化等常见人类行为。
2025-09-22 cs.AI cs.IT math.IT
A New Rational Algorithm for View Updating in Relational Databases
RWTH Aachen（亚琛工业大学）；University of Bonn（波恩大学）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。为了将信念动力学理论的合理性结果应用到各种实际问题中，它应该在两个方面进行推广：第一，它应该允许信念的某一部分被声明为不变的;第二，信念状态不需要是演绎封闭的。本文提出了这样一种广义的信念动力学，称为基地动力学，随着知识库（霍恩或霍恩逻辑分层否定）的广义修正算法的概念。我们表明，知识库动态有一个有趣的连接，通过击中集和绑架的内核变化。在本文中，我们将展示如何从析取逻辑编程技术可以用于有效的（演绎）数据库更新。其核心思想是将给定的数据库连同更新请求一起转换成一个析取（数据库）逻辑程序，并应用析取技术（如最小模型推理）来解决原始的更新问题。该方法扩展并集成了标准技术，以实现高效的查询应答和完整性检查。一个击中集的生成是通过一个超tableaux演算和魔术集，专注于最小的目标。
2014-07-13 cs.AI cs.DB
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
Fast Belief Update Using Order-of-Magnitude Probabilities
Rockwell Science Center（罗克韦尔科学中心）
我们提出了一个算法，称为预测，更新因果网络量化的数量级概率的信念。该算法利用了网络的结构和量化，并提出了一个多项式渐近复杂性。预测表现出保守的行为，因为它总是合理的，但并不总是完整的。我们提供了充分的条件，完整性和目前的算法来测试这些条件和计算一套完整的似是而非的值。我们提出预测作为一种有效的方法来估计概率值，并说明其使用结合两个已知的概率推理算法。最后，我们描述了一个应用程序的预测计划评估，目前的实验结果，并讨论了有关其使用的问题与条件逻辑的信念，并在表征无关。
2013-02-20 cs.AI
Computational Advantages of Relevance Reasoning in Bayesian Belief Networks
University of Pittsburgh（匹兹堡大学）
本文介绍了一个计算框架推理贝叶斯信念网络，从集中推理和相关推理的显着优势。该框架基于d -分离和其他简单且计算效率高的技术，用于修剪网络中不相关的部分。我们的主要贡献是一种技术，我们称之为基于相关性的分解。基于相关性的分解方法通过关注大网络中的部分并将其分解为部分重叠的子网络来实现信念更新。这使得在一些棘手的网络中进行推理成为可能，此外，通常会导致显着的加速，因为更新所有子网所花费的总时间实际上通常比更新整个网络所花费的时间要少得多。我们报告的实证检验结果表明，我们的方法的实际意义。
2013-02-06 cs.AI
Evidence Propagation and Consensus Formation in Noisy Environments
University of Bristol（布里斯托尔大学）；Otto von Guericke University Magdeburg（奥托·冯·格里克大学马格德堡分校）
我们研究了多智能体系统中的共识形成的有效性，其中既有基于直接证据的信念更新，也有智能体之间的信念组合。特别是，我们考虑的情况下，人口的代理合作的最好的n的问题，其目的是达成共识，这是最好的（或者，真正的）状态之间的一组状态，每个具有不同的质量值（或证据水平）。代理人的信念表示在Dempster-Shafer理论的质量函数，我们调查的宏观层面的属性四个著名的信念组合运营商的多智能体共识形成问题：Dempster的规则，Yager的规则，Dubois和普拉德的运营商和平均运营商。考虑了算子的收敛性，并针对不同的证据率和噪声水平进行了仿真实验。结果表明，直接证据的更新和信念的组合代理之间的结果更好的共识，以最佳状态比单独的证据更新。我们还发现，在这个框架中的运营商是强大的噪音。广泛地说，Yager的规则被证明是更好的运营商在各种参数值，即收敛到最佳状态，鲁棒性噪声，和可扩展性。
2020-01-20 cs.AI cs.MA
Learning Embedding Representations for Knowledge Inference on Imperfect and Incomplete Repositories
Tsinghua University（清华大学）
本文首次尝试通过嵌入实体和关系的方法，研究了不完全覆盖的大规模不完全知识库的知识推理问题。我们建议IIKE（不完全和不完整的知识嵌入），一种概率模型，其测量在诸如NELL和Freebase的大规模知识库中的每个信念的概率，即$\langle h,r,t\rangle$，我们的目标是为每个实体学习一个更好的低维向量表示（$h$和$t$）和关系（$r$）在最小化拟合由机器学习（NELL）或众包（crowdsouring）给出的相应置信度的损失的过程中（Freebase），这样我们就可以在进行推理时使用$||{\bf h} + {\bf r} - {\bf t}||$来评估信念的可验证性。我们使用这些不精确的知识库的子集来训练我们的模型，并分别测试链接预测和三重分类对真实信念的性能。大量的实验结果表明，与基线和国家的最先进的方法相比，IIKE取得了显着的改善。
2015-03-27 cs.AI cs.CL
Making Decisions Using Sets of Probabilities: Updating, Time Consistency, and Calibration
CWI（荷兰国家数学与计算机科学研究所）；Cornell University（康奈尔大学）
我们考虑代理应该如何更新她的信念时，她的信念是由一组P的概率分布，代理决策使用极大极小准则，也许是最好的研究和最常用的标准在文献中。我们采用了一个博弈论的框架，代理人发挥对一个庄家，谁选择一些分布从P.我们认为两个合理的游戏，不同的庄家知道当他做出选择。之前观察到的异常现象，如时间不一致，可以理解为是因为不同的游戏正在进行，针对不同信息的博彩公司。我们的特点是重要的特殊情况下，最佳决策规则根据极大极小准则的金额要么条件或简单地忽略的信息。最后，我们考虑更新和校准之间的关系时，不确定性描述的概率集。我们的结果强调了Epstein和Schneider的矩形性条件的关键作用。
2014-01-16 cs.AI cs.GT
A betting interpretation for probabilities and Dempster-Shafer degrees of belief
至少有两种方法可以解释投注中的数字信念程度：（1）你可以按照信念程度定义的赔率下注，或者（2）你可以判断，利用这种投注机会的策略不会使其风险资本乘以一个很大的因子。这两种解释都可以应用于普通的加性概率，并用于证明条件更新。只有第二个可以适用于Dempster-Shafer程度的信念，并用于证明Dempster的规则的组合。
2010-01-11 cs.AI math.ST stat.TH
Robust Reinforcement Learning in POMDPs with Incomplete and Noisy Observations
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
在现实世界的场景中，具有连续控制的强化学习的观测数据通常是有噪声的，并且其中一部分可能随着时间的推移而动态丢失，这违反了许多当前为此开发的方法的假设。在部分可观测马尔可夫决策过程（POMDP）的框架内，采用基于模型的方法，利用新提出的具有局部逼近的替代损失函数，从不完全和噪声观测中估计过渡模型，并借助信念估算学习策略和价值函数.对于后者的目的，生成模型的构建和无缝地纳入POMDP的信念更新过程，这使得强大的执行，即使在显着的不完整性和噪声。所提出的方法的有效性进行了验证的基准任务的集合，表明我们的方法优于几个比较的方法在各种具有挑战性的情况下。
2019-02-15 cs.AI cs.LG stat.ML
A Belief Model for Conflicting and Uncertain Evidence -- Connecting Dempster-Shafer Theory and the Topology of Evidence
Institute for Logic, Language and Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）
本文结合 Dempster-Shafer 理论与证据拓扑模型，提出可处理冲突、不完整和不确定证据的广义信念计算框架，并证明其计算通常为 #P-complete。
2023-06-06 cs.AI cs.MA
GALGO: A Genetic ALGOrithm Decision Support Tool for Complex Uncertain Systems Modeled with Bayesian Belief Networks
Massachusetts Institute of Technology（麻省理工学院）
贝叶斯信念网络可以用来表示和推理具有不确定性、不完整性和冲突性信息的复杂系统。信度网络是对变量之间的概率依赖性和条件独立性进行编码和量化的图。在诊断中感兴趣的一种类型的推理被称为溯因推理（给定变量的任何部分子集的值，确定全局最可能的系统描述）。在某些情况下，溯因推理可以使用分布式网络计算的精确算法来执行，但它是一个NP难问题，并且复杂性随着无向循环、每个变量的离散状态数和网络中变量数的存在而急剧增加。本文介绍了一种近似方法的基础上遗传算法进行溯因推理的大型，多连接的网络，复杂性是一个问题时，使用最精确的方法和系统的搜索方法是不可行的。理论上的充分性的方法进行了讨论，并提出了初步的实验结果。
2013-03-06 cs.AI
BayesBench: Evaluating LLM Belief Trajectories Under Multi-Turn Evidence Accumulation
Meta AI；Columbia University（哥伦比亚大学）；Meta Superintelligence Labs（Meta超级智能实验室）；Tel Aviv University（特拉维夫大学）
提出BayesBench基准，通过三个渐进复杂任务评估LLM在多轮证据积累中的信念更新是否接近贝叶斯理性，发现规模提升改善潜在推理但未可靠转化为预测。
2026-07-01 cs.AI
Why Do LLMs Struggle in Strategic Play? Broken Links Between Observations, Beliefs, and Actions
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；EPFL（苏黎世联邦理工学院）
本文探讨了LLMs在不完全信息博弈中决策失败的原因，揭示了观察-信念和信念-行动之间的两大内在缺陷，通过实验验证了LLMs在多步推理中的信念不稳定性及行动转换的不足。
2026-09-21 cs.AI cs.CL cs.GT
When Answer Evaluation Misleads Confidence Selection: Fact-Grounded Form Grading for Open-Ended QA
该研究发现开放式ToM追踪中不完整参考集生成的代理标签可反转模型校准排名，提出TriSource-Restore方法修复置信度并维持排名方向。
2026-11-03 cs.AI cs.CL
Entropy, Information, and the Updating of Probabilities
University at Albany-SUNY（纽约州立大学奥尔巴尼分校）
本文是一个审查的一个特定的方法，最大熵的方法作为一个一般框架的推理。讨论强调了推导中的语用因素。一个知识概念的信息定义在其关系的贝叶斯信念的理想理性代理。通过淘汰归纳法设计了先验概率分布更新到后验概率分布的方法。对数相对熵被挑选出来作为更新的独特工具，（a）具有普遍适用性;（b）承认先验信息的价值;（c）承认科学独立性概念所发挥的特权作用。由此产生的框架-ME方法-可以处理任意先验和任意约束。它包括MaxEnt和贝叶斯规则作为特殊情况，因此，它将熵和贝叶斯方法统一为一个单一的一般推理方案。ME方法超越了仅仅选择一个单一的后验概率，但也解决了其他分布的可能性有多大的问题，这为波动和大偏差理论提供了一个直接的桥梁。
2021-07-09 cs.AI physics.data-an stat.ME
RecallM: An Adaptable Memory Mechanism with Temporal Understanding for Large Language Models
Cisco Systems（思科系统公司）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Wise Works（怀斯工作室）
本文提出 RecallM 架构，为大语言模型提供可适应、可更新且具备时间理解能力的长期记忆，在信念更新上显著优于向量数据库，并保持问答和上下文学习竞争力。
2023-10-03 cs.AI cs.CL cs.SC
How AI Aggregation Affects Knowledge
Massachusetts Institute of Technology（麻省理工学院）；NBER（美国国家经济研究局）；CEPR（经济政策研究中心）；Columbia University（哥伦比亚大学）；Tuck School of Business at Dartmouth College（达特茅斯学院塔克商学院）
本文研究人工智能聚合对学习的影响，通过扩展DeGroot模型引入AI聚合器，分析聚合速度对学习效果的影响，发现局部聚合器优于全局聚合器。
2026-04-06 cs.AI cs.CY cs.SI
