研究了多利益相关者的定性偏好问题，并提出了针对该问题的查询语言，研究了不同语义的交互关系，并提供了一个证明正确的算法用于回答多利益相关者的定性偏好查询，通过模型检验和交替自由的 μ 算法，实验证明了该方法的可行性。

Jul, 2023

提出一种新的效用函数有向图表示方式 ——UCP-networks，并结合广义加性模型和 CP-networks，将效用函数分解为一些加性因子，其中弧的方向性反映了（定性的）偏好排序的条件依赖关系，在决策中具有很高的效率。

Jan, 2013

该论文研究了设计和分析适用于将组合领域中使用条件偏好网络（CP-nets）表示的偏好进行聚合的近似算法。它侧重于对所谓的 “交换” 进行偏好聚合，其中已知的最优解通常具有指数规模。我们分析了一个简单的 2 近似算法，该算法仅输出给定输入偏好中的最佳解，并确定了一种结构条件，在此条件下改进了该算法的近似比率为 4/3。然后，我们提出了一种多项式时间逼近算法，其输出的解证明不会比简单算法差，但通常更好。我们提出了一族问题实例，对于这些问题实例，我们改进的算法产生最优解，而对于任何 ε 值，简单算法都不能获得（2-ε）近似解。这些结果可能导致首个在多项式时间内解决 CP-net 聚合问题的近似算法，其近似比率明显优于 2。

Dec, 2023

研究了知识表示缺陷推理的多重优先语义与多层神经网络模型之间的关系，通过多重优先语义对多层感知器进行了偏好解释，并利用模型检查和蕴含性方法验证了条件属性。

Apr, 2023

本文提出了一种形式化的特定背景下独立性的概念，可用于树形概率表的定量表示，并探讨了如何运用它来支持有效的推理算法。

Feb, 2013

介绍了一种名为 NCP（神经条件概率）的新型算子理论方法，用于学习条件分布并重点关注推断任务。NCP 可用于构建条件置信区间、提取条件分位数、均值和协方差等重要统计量。通过利用神经网络的强大近似能力，该方法有效处理各种复杂概率分布，能够处理输入和输出变量之间的非线性关系。理论保证了 NCP 方法的优化一致性和统计准确性。实验证明，使用简单的具有两个隐藏层和 GELU 激活函数的多层感知机（MLP），我们的方法可以与领先的方法相媲美甚至超越，展示了在更复杂的架构中，基于理论的损失函数的最小化结构可以在不损失性能的情况下取得具有竞争力的结果。

Jul, 2024

本研究提出了一种名为 Pareto Conditioned Networks (PCN) 的方法，使用单一神经网络涵盖所有非支配策略，通过在特定的回报条件下进行训练，将优化问题转化为分类问题，实现对所需的 Pareto-efficient 解的策略恢复。

Apr, 2022

本论文研究如何更好地表示常识知识，提出了一种概率逻辑表示方案和一种层次化概念本体论，能够更灵活地表示信念，并在神经符号应用中使用。通过专家注释和群众众包，将这个框架扩展到 PrimeNet 知识库，并展示其在更易解释的语义解析和问题回答中的应用。

Nov, 2022

该论文研究了基于有限状态机的条件独立协议所建立的图模型，旨在探讨如何有效表示多个 Agent 集体主观信念的共识信念，发现 LogOP 可以有效维护普遍存在的马尔可夫独立性，因而可以用于构建共识性的 Markov 网络模型。

Jan, 2013

介绍了一种形式逻辑语言，叫做条件概率逻辑（CPL），用于扩展一阶逻辑，表示概率、条件概率并进行条件概率比较。结合机器学习，数据挖掘和人工智能等领域，考虑了一种精确表述提升贝叶斯网络定义的方法，并证明一个非关键条件 CPL 公式存在一个几乎等价的非量化公式。该结果对于对于大学域上的概率推理问题，具有重要意义。

Apr, 2020