连贯设置中的缺省逻辑

不精确概率的传递性推理

Transitive reasoning with imprecise probabilities

我们研究概率信息（弱）版本的传递性，通过使用合适的定义的默认值和否定的默认值，在设置的连贯性和不精确的概率。我们表示p-一致的序列的默认值和/或否定的默认值的g-相干的不精确概率评估的相应序列的条件事件。最后，我们证明了弱传递性的连贯概率传播规则和有效性的选择推理模式，通过证明相关的知识库的p-蕴涵。

Interpreting connexive principles in coherence-based probability logic

We present probabilistic approaches to check the validity of selected connexive principles within the setting of coherence. Connexive logics emerged from the intuition that conditionals of the form "If $\sim A$, then $A$", should not hold, since the conditional's antecedent $\sim A$ contradicts its consequent $A$. Our approach covers this intuition by observing that for an event A the only coherent probability assessment on the conditional event $A|\overline{A}$ is $p(A|\overline{A})=0$. Moreover, connexive logics aim to capture the intuition that conditionals should express some "connection" …

归纳一致性

Inductive Coherence

虽然概率论通常应用于外部环境，但最近对计算输出的概率建模产生了一些兴趣，这些计算太昂贵而无法运行。由于数理逻辑是对计算机程序进行推理的有力工具，我们从概率和逻辑相结合的角度考虑这个问题。最近的工作分配概率的数学陈述已使用的概念，连贯的分布，满足逻辑约束，如概率的一句话，其否定和1。虽然有算法收敛到一个连贯的概率分布的限制，这只会产生弱保证有限近似这些分布。在我们的设置中，这是一个重要的限制：相干分布将概率1分配给在特定逻辑理论中可证明的所有陈述，例如皮亚诺算术，它可以证明任何终止计算的输出是什么;因此，相干分布必须将概率1分配给任何终止计算的输出。为了模拟计算的不确定性，我们建议使用相干分布的近似。我们引入归纳一致性，加强一致性，提供适当的限制有限近似，并提出了一个算法，满足这一标准。