A Qualitative Markov Assumption and its Implications for Belief Change
Stanford University（斯坦福大学）；IBM Almaden Research Center（IBM阿尔马登研究中心）
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。粗略地说，review将一个令人惊讶的观察结果视为以前的信念是错误的，而update将一个令人惊讶的观察结果视为世界已经改变的迹象。一般来说，我们可以预期，一个进行观察的主体可能既想修正一些早期的信念，又想假设世界发生了一些变化。我们定义了一种新的方法来改变信念，使我们能够做到这一点，通过应用概率论的思想在定性设置。关键思想是使用定性马尔可夫假设，即状态转换是独立的。我们表明，最近的方法来建模定性的不确定性，使用可扩展性措施，使我们能够在一个相对简单的方式，这样一个定性的马尔可夫假设，并显示如何马尔可夫假设可以用来提供一个有吸引力的信念变化模型。
2013-02-13 cs.AI
General combination rules for qualitative and quantitative beliefs
ENSIETA（法国国立高等工程技术学院（布雷斯特））；ONERA（法国航空航天实验室）；University of New Mexico（新墨西哥大学）
Martin和Osswald \cite{Martin07}最近提出了许多关于定量信念的组合规则的推广，以管理冲突并考虑专家响应的特异性。由于专家们通常用带有语言标签的自然语言来表达自己，Smarandache和Dezert \cite{Li07}引入了一个数学框架来直接处理定性信念。在本文中，我们回顾了我们以前的作品的一些元素，并提出了新的组合规则，开发的定性或定量的信念融合。
2009-06-28 cs.AI
A Qualitative Linear Utility Theory for Spohn's Theory of Epistemic Beliefs
University of Kansas School of Business（堪萨斯大学商学院）
在本文中，我们制定了一个定性的“线性”效用理论的彩票中的不确定性表示定性使用Spohnian怀疑功能。我们认为，一个理性的决策者面对一个不确定的决策问题，其中的不确定性是定性表达的行为，以最大化“定性预期效用。“我们对定性效用的公理化类似于冯·诺依曼和摩根斯坦为概率彩票开发的公理化。我们比较我们的结果与其他最近的结果在定性决策。
2013-01-16 cs.AI
Modal Logics for Qualitative Possibility and Beliefs
University of British Columbia（不列颠哥伦比亚大学）
可能性逻辑是一种用于不确定性推理的数值形式。有兴趣发展定性帐户的可能性，以及解释之间的关系的可能性和模态逻辑。我们提出了两个模态逻辑，可以用来表示和原因的定性陈述的可能性和必要性。在这个模态框架内，我们能够识别可能性逻辑，信念和条件之间的有趣关系。特别是，最自然的条件定义通过可能性的手段默认推理是相同的珍珠的条件的电子语义。
2013-03-13 cs.AI
Belief revision in the propositional closure of a qualitative algebra
Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Université de Strasbourg（斯特拉斯堡大学）；ENGEES（斯特拉斯堡国立水与环境工程学院）
信念修正是一种旨在修正旧信念使其与新信念相一致的操作。信念修正的问题已经在各种形式主义中进行了研究，特别是在定性代数（QA）中，其结果是不一定在QA中表示的信念基的析取。这激发了对形式主义扩展问答系统中信念修正的研究，即它们的命题闭包：在这样的闭包中，信念修正的结果属于形式主义。此外，由于哈珀恒等式，这使得可以定义收缩算子。研究了QA命题闭包中的信念修正问题，设计了修正算子族的一个算法，并在Web上免费提供了一个开源实现.
2014-12-12 cs.AI
Belief revision in the propositional closure of a qualitative algebra (extended version)
Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Université de Strasbourg（斯特拉斯堡大学）；ENGEES（斯特拉斯堡国立水与环境工程学院）
信念修正是一种旨在修改旧信念，使其与新信念保持一致的操作。信念修正的问题已经在各种形式主义中进行了研究，特别是在定性代数（QA）中，其结果是不一定在QA中表示的信念基的析取。这激发了对形式主义扩展问答系统中信念修正的研究，即它们的命题闭包：在这样的闭包中，信念修正的结果属于形式主义。此外，由于哈珀恒等式，这使得可以定义收缩算子。研究了QA命题闭包中的信念修正问题，设计了修正算子族的算法，并在网络上免费提供了一个开源实现。(This是最初在第14届知识表示和推理原理国际会议上发表的一篇文章的扩展版本。
2014-05-05 cs.AI
Elicitation of Probabilities for Belief Networks: Combining Qualitative and Quantitative Information
University of Pittsburgh（匹兹堡大学）；Utrecht University（乌得勒支大学）
虽然信念网络在不确定性推理中的有用性被广泛接受，但获得它们所需的数值概率仍然被认为是一个主要障碍。通常没有足够的统计数据来进行可靠的概率估计。可用信息可能不直接适合在网络中编码。最后，领域专家可能不愿意提供数值概率。在本文中，我们提出了一种方法，从一个领域的专家，是非侵入性的，并容纳任何概率信息的专家愿意国家的概率启发。我们表示所有可用的信息，无论是定性或定量的性质，在一个规范的形式组成的（中）等式表示约束的超空间可能的联合概率分布。然后，我们使用这个标准形式来推导出所需概率的二阶概率分布。
2013-02-20 cs.AI
Minimal Assumption Distribution Propagation in Belief Networks
University of California（加利福尼亚大学）
随着信任网络被用于对日益复杂的情况进行建模，从大型数据库中自动构建信任网络的需求将变得至关重要。本文集中解决了信念网络归纳问题的一部分：在给定定性结构的情况下，学习定量结构（条件概率）。特别是，一个理论，显示了如何传播的信念网络中的推理分布，唯一的假设是，给定的定性结构是正确的。大多数推理算法必须至少做出这个假设。该理论基于四个网络转换，足以在信念网络中进行任何推理。此外，与流行的观点相反，错误不一定会随着推理链的增长而增长。相反，对于从足够大的样本诱导的QBN信念网，随着推理链的大小增加，误差更有可能减小。
2013-03-06 cs.AI
Assessing the value of a candidate. Comparing belief function and possibility theories
Institut de Recherche Thomson-CSF（汤姆逊-CSF研究所）；Corporate Research en Informatique de Toulouse（图卢兹企业信息研究）；Universite Paul Sabatier（保罗·萨巴蒂埃大学）；Laboratory Universite Paul Sabatier（保罗·萨巴蒂埃大学实验室）
评估候选人价值的问题在这里被视为一个多重组合问题。一方面，候选人可以根据不同的标准进行评估，另一方面，几位专家应该根据每个标准评估候选人的价值。标准不同等重要，专家不同等胜任或可靠。此外，标准的满意度水平或置信度水平仅假定在线性排序的定性尺度中取值。在两个框架内，可转移的信念模型和定性可能性理论的问题进行了讨论。它们分别为处理问题提供了定量和定性的背景，从而提供了一种比较基本假设性质的方法。
2013-01-23 cs.AI
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
Propagation of Belief Functions: A Distributed Approach
University of Kansas（堪萨斯大学）
在本文中，我们描述了一个计划传播的信念函数在某些种类的树只使用本地计算。该方案概括了Shafer和Logan 1提出的计算方案，用于Gordon和Shortliffe研究的诊断树类型，以及Shafer给出的层次证据的稍一般的方案。它还推广了Pearl提出的贝叶斯因果树方案（见Shenoy和Shafer）。珀尔的因果树和戈登和肖特利夫的诊断树都是将与大问题有关的证据分解为与问题的较小部分有关的较小证据项的方法，以便这些较小的问题可以一次处理一个。为了使概率判断过程可行，这种努力的局部化通常是必不可少的，无论是对做出概率判断的人还是对组合它们的机器。我们的计划的基本结构是一种树，概括了珍珠和戈登和Shortliffe的树。这种一般类型的树允许在珀尔意义上的局部计算。它们基于条件独立性的定性判断。我们相信，我们在这里描述的方案将证明是有用的专家系统。现在很清楚，在专家系统中成功地传播概率或确定性因素需要比在纯产生式系统框架中所能提供的更多的结构。另一方面，贝叶斯方案往往对结构提出不切实际的要求。在树和更一般的网络中传播信任函数站在中间立场，可以做一些明智和有用的事情。我们想强调的是，传播概率的局部计算的基本思想是由Judea Pearl提出的。这是一个非常创新的想法，我们不相信它可以在贝氏文献中找到之前珍珠的工作。我们认为我们的贡献是扩大珍珠的想法的有用性概括它从贝叶斯概率的信念函数。在…
2013-03-27 cs.AI
Qualitative Propagation and Scenario-based Explanation of Probabilistic Reasoning
Carnegie Mellon University（卡内基梅隆大学）；Rockwell International Science Center（罗克韦尔国际科学中心）
概率推理的可理解性解释是专家系统和决策支持系统中贝叶斯方法被广泛接受的先决条件。一项关于人类在不确定性下推理的研究提出了两种不同的策略来解释概率推理：第一种是定性信念传播，通过信念网络从一个变量到下一个变量追踪证据的定性效果。这种传播算法是Wellman（1988）的图约简算法的替代，用于定性概率网络中的推理。它是基于一个定性分析的因果关系推理，这是一个概括的珍珠的“解释了”，并替代韦尔曼的定性协同作用的定义。另一种是基于情景的推理，涉及到替代因果“故事”的产生。比较几个最可能的场景提供了一种近似的方法来解释概率推理的结果。这两种方案采用因果关系以及概率知识。概率可以被呈现为短语和/或数字。用户可以控制解释的风格、抽象性和完整性。
2013-03-27 cs.AI
A Qualitative Theory of Cognitive Attitudes and their Change
IRIT-CNRS（法国国家科学研究中心图卢兹计算机研究所）；Toulouse University（图卢兹大学）
本文提出一个通用逻辑框架，用于推理智能体的认知态度（如知识、信念、欲望等），并给出两种扩展（选择与动态算子），应用于不完全信息博弈，提供可靠完备的公理化。
2021-02-16 cs.AI cs.LO
Qualitative Possibilistic Mixed-Observable MDPs
IRIT – Paul Sabatier University（IRIT - 图卢兹第三大学（保罗·萨巴蒂埃大学））；Onera – The French Aerospace Lab（法国国家航空航天研究中心）
可能性和定性POMDP（pi-POMDP）是POMDP的对应物，用于模拟由于缺乏过去的经验或数据汇集不足而导致代理的初始信念或观察概率不精确的情况。然而，像概率POMDPs，最佳解决pi-POMDPs是棘手的：有限的信念状态空间指数增长与系统的状态数。在本文中，一个可能性版本的混合可观测MDP的解决这个问题：解决pi-POMDP的复杂性，其中一些状态变量是完全可观测的，然后可以显着降低。一个值迭代算法，这个新的配方下无限地平线提出和最优性的返回策略（指定的标准）示出假设存在一个“停留”的行动在一些目标状态。实验工作最后表明，这种可能性模型优于概率POMDPs通常用于机器人技术中，对于目标识别问题，代理的意见是不精确的。
2013-09-26 cs.AI
Case Adaptation with Qualitative Algebras
LORIA（洛林大学计算机研究与应用实验室）；Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；ICUBE（ICUBE实验室）；Université de Strasbourg（斯特拉斯堡大学）；ENGEES（斯特拉斯堡国立水与环境工程学院）；INRA（法国国家农业研究院）
本文提出了一种在基于实例推理系统中对空间或时间实例进行自适应的方法。定性代数被用作空间和时间的知识表示语言。这种适应方法背后的直觉是应用替换，然后修复潜在的不一致，这要归功于定性代数的信念修正。从烹饪域的时间的例子。(The这篇扩展摘要所基于的论文获得了2012年基于案例推理国际会议的最佳论文奖。
2013-10-10 cs.AI
An Experimental Comparison of Numerical and Qualitative Probabilistic Reasoning
Institute for Decision Systems Research（决策系统研究所）；Stanford University（斯坦福大学）
定性和无穷小概率方案与概率论的公理一致，但避免了对精确数值概率的需要。使用定性概率可以大大减少知识工程的工作量，提高结果的鲁棒性。我们实验研究如何以及无穷小的概率（kappa演算的Goldszeland和珍珠）执行诊断任务-故障排除的汽车，将无法启动与传统的数值信念网络比较。我们发现，在识别真正的故障的无穷小方案是一样好的数值方案。无穷小方案的性能显着的先验故障概率大于0.03。这些结果表明，无穷小概率方法可能是具有很大的实用价值的机器诊断与小的先验故障概率。
2013-02-27 cs.AI
From Statistical Knowledge Bases to Degrees of Belief
一个智能体通常不确定其环境的各种属性，当在该环境中行动时，它经常需要量化其不确定性。例如，如果智能体希望采用决策理论的预期效用范式来指导其行动，它将需要为各种断言分配置信度（主观概率）。当然，这些置信度不应该是任意的，而是应该基于代理人可获得的信息。本文介绍了一种方法，从非常丰富的知识库，可以包括特定的个人，统计相关性，物理定律和默认规则的信息诱导程度的信念。我们称之为随机世界方法。该方法基于无差异原则：它将智能体认为可能的所有世界视为同等可能。它能够通过提供一种语言来集成定性缺省推理和定量概率推理，在这种语言中，两种类型的信息都可以很容易地表达。我们的研究结果表明，在直接推理（推理从统计信息的结论对个人）和默认推理直接遵循{从}随机世界的语义出现的一些desiderata。例如，随机世界捕捉了重要的推理模式，如特异性，遗传，对无关信息的漠不关心，以及独立性的默认假设。此外，所使用的语言的表达能力和随机世界的直观语义允许该方法处理超出许多其他非演绎推理系统范围的问题。
2003-07-24 cs.AI
Reasoning With Qualitative Probabilities Can Be Tractable
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
我们最近描述了一种形式主义，用于使用“若-则”规则进行推理，这些规则以不同的坚定性水平重新表达[18]。形式主义将这些规则解释为极端条件概率陈述，指定了不可信的数量级，这对世界的可能排名施加了约束。结果表明，一旦我们计算的优先级函数Z+的规则，一个给定的查询被确认或拒绝的程度可以计算在O（log n`）命题可满足性测试，其中n是在知识库中的规则的数量。在本文中，我们证明了计算Z+需要O（n2 X log n）的可满足性测试，而不是在[18]中列出的指数数，这在Horn表达式的情况下降低到多项式复杂度。我们还展示了如何推理与不精确的意见，可以纳入我们的形式主义，以及如何流行的信念修正和认知的战壕概念体现自然和听话。
2013-03-13 cs.AI
Toward negotiable reinforcement learning: shifting priorities in Pareto optimal sequential decision-making
Machine Intelligence Research Institute（机器智能研究所）；UC Berkeley, Center for Human Compatible AI（加州大学伯克利分校人类兼容人工智能中心）
现有的多目标强化学习（MORL）算法不考虑具有不同信念的玩家产生的目标。具体地说，考虑两个具有不同信念和效用函数的参与者，他们可以合作建造一台代表他们采取行动的机器。需要一个表示来表示机器的策略将在多大程度上优先考虑每个玩家的利益。假设球员已经达到了他们的情况的共同知识，本文推导出一个递归，任何帕累托最优策略必须满足。从递归中可以得到两个定性的观察结果：机器必须（1）使用每个参与者自己的信念来评估一个行动对该参与者的效用函数有多好，以及（2）随着时间的推移，它分配给每个参与者的预期效用的相对优先级，与参与者的信念预测机器输入的程度成正比。观察结果（2）代表了与朴素的线性效用聚合（如海萨尼的效用定理和现有的MORL算法）的实质性分歧，这里表明，代表不同信念的参与者进行帕累托最优顺序决策是不够的。
2017-05-13 cs.AI cs.GT cs.LG
Reasoning for Moving Blocks Problem: Formal Representation and Implementation
Institute of Philosophy, University of Warsaw（华沙大学哲学研究所）
提出了定性推理与概率函数相结合的知识表示方法。该方法的目的是表示不确定的，定性的知识，是必不可少的移动块任务的执行。尝试形式化的常识知识进行推理和机器人的信念表示的情况演算语言。该方法在Prolog程序设计语言中实现，并针对特定的模拟场景进行测试。在大多数情况下，实现使我们能够解决给定的任务，即，移动块到所需的位置。给出了机器人推理的实例和实现程序的主要部分代码。
2013-07-28 cs.AI cs.RO
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
Probabilistically stable revision and comparative probability: a representation theorem and applications
Carnegie Mellon University（卡内基梅隆大学）
本文证明概率稳定信念修正算子的表示定理，给出其完整刻画与选择函数语义，同时得到比较概率理论的两个独立结果，并指出其在投票博弈与显示偏好理论中的应用。
2025-09-02 cs.AI cs.LO econ.TH
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
Preferential Structures for Comparative Probabilistic Reasoning
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
对不确定性进行推理的定性和定量方法可能会导致不同的逻辑系统来形式化这种推理，即使表达不确定性的语言是相同的。在关于相对似然性的推理的情况下，使用$φ\succsimψ$形式的陈述来表达$φ$至少与$ψ$一样可能，使用预定优先结构的标准定性方法产生与使用概率度量的定量方法截然不同的逻辑系统。事实上，标准的偏好方法验证了从概率的角度来看是不正确的推理原则。然而，在本文中，我们表明，一个自然的修改优惠的方法产生完全相同的逻辑系统作为一个概率的方法-不使用单一的概率措施，而是一套概率措施。因此，在非单调逻辑和信念修正的研究中使用的相同的优先结构可以用于基于不精确概率的比较概率推理的研究。
2021-04-06 cs.AI cs.LO math.LO
