测量概率性知识库中的不一致性
本文系统研究了协作博弈中 Shapley 值在功能依赖关系违规的常见不一致核量度中的复杂度,针对多种量度我们建立了 FD 集合的易处理和难处理的分类,并在难处理的情况下研究了近似计算的复杂度。
Sep, 2020
本文研究了利用概率语义来处理 Description Logics Knowledge Bases 中的不一致性问题,使之能够在查询时处理不一致的 KBs,且与传统的修复语义进行了比较。
Jun, 2023
这篇研究论文解决了测量申明性进程规范不一致性的问题,重点介绍了固定跟踪(LTLff)的线性时间逻辑的不一致性,提出了一种新的不完全一致语义作为不一致性测量的框架。提出两种基于这些语义的不一致性度量,并研究了引入方法的计算复杂性。
Jun, 2022
本文研究了基于 SAT 求解和 ASP 的算法,用于解决确定命题知识库不一致度的问题,并考虑到六种不一致度测量标准。在广泛的实验分析中,我们将基于 SAT 和 ASP 的方法与一组基础算法进行比较,结果表明,在所有六种不一致度测量标准方面,提出的基于 ASP 的方法明显优于 SAT,并且已经执行了详细的实验来解释这些结果。
Apr, 2023
该研究提出了一种评估司法不一致性的评估指标,即 “法律不一致性系数(LInCo)”,并利用 LInCo 模拟来自不同群体的法官的预测,衡量不同群体训练的 LJP 模型给出的判决结果的不一致性,发现了不同特征组之间的不一致性,用于评估几种去偏差方法的效果,并发现这些机制可以有效地帮助 LJP 模型避免数据偏差。
Mar, 2021
本研究提出了一种基于语义不一致度量的新型外部知识同化方法,应用到知识型视觉问答中,旨在减少添加无关信息对问答的干扰并融合含蓄和显式知识,评估结果表明该方法具有最先进性能。
Jul, 2022
应用机器学习模型进行决策需要区分模型所知与不知的内容。本文提供新的洞见,揭示当前预测不确定性度量的局限性,并引入了一种理论上可靠的度量方法来克服这些局限。实验证明,我们引入的度量方法在控制的合成任务中表现得更加合理,并且在利用预测不确定性的实际应用中具有优势。
Nov, 2023
通过理论分析和 Monte Carlo 模拟,对传统评估方法中存在的偏见进行了讨论,提出了一些不受偏见影响的替代评估方法,如 Cohen Kappa,并进行了实证评估。
Apr, 2015
本文提出了一种新的基于模型的强化学习算法,通过利用值函数,将模型不同长度的展开作为一种集合,称之为 “implicit value ensemble”,并应用于探索、在分布变化时安全操作以及学习模型规划等方面,实证结果表明这种方法对提升探索效率和增强可靠性有显著的效果。
Dec, 2021
通过概率依赖图描述合适的情境,我们证明许多常见的损失函数可以视为自然 PDG 的不一致性,并使用相同的方法来证明正则化和先验之间的已知联系,并发现不一致性捕获了大量统计差别,包括用于推导它们之间的不等式的直观图形语言。同时,我们发现不一致性在 PDGs 是因子图时变成了对数分区函数(自由能)。
Feb, 2022