本研究将 3 层因果关系层次结构分为概率逻辑语言模型,第一层表达定量概率推断,第二层编码用于因果效应的 do-calculus 推理,第三层捕捉任意反事实查询。相关的公理化表达完全考虑了因果模型和概率编程,并证明了每种语言的可满足性和有效性都可以在多项式空间内可判定。
Jan, 2020
该论文介绍了一个基础框架,用于创建概率论和模糊逻辑之间的桥梁,提出了一种将随机实验与具有某种模糊属性的清晰元素的选择联系起来的方法,并介绍了在因果推断中应用该框架的实例。
May, 2022
本研究提出一种符号机制,能够处理有关概率和因果信息,从而推断出关于行动影响和观测影响的概率性语句,并利用条件概率和贝叶斯网络等技术来推导新的条件概率,以此量化行动效果和政策制定等方面的确认知识。
Feb, 2013
基于神经科学中贝叶斯方法对脑功能的启示,我们提出了一个简单的概率推断理论,用于统一描述推理和学习。我们通过符号逻辑中知识的可满足性模拟数据如何引发符号知识的过程,即抽象过程和选择性无知。我们讨论了推理的逻辑后果关系以及基于实验证据的 MNIST 数据集的经验正确性。
Feb, 2024
本文介绍了基于可信度(plausibility measures)的新的不确定性建模方法,并将其应用于默认推理。在此框架下,我们给出了 KLM 公理的一些必要条件和充分条件。
Aug, 1998
文章介绍了离散概率树的因果推理算法,能够覆盖整个因果层次(相关性、干预和反事实),并能应用于任意命题和因果事件,扩展了因果推理的范畴。
Oct, 2020
引入求和运算符来捕捉应用程序中常见的设备,如 Pearl(2009)的因果推断中的 $do$-calculus,其中大量使用边际化。我们对使用边际化的概率和因果推理的复杂性进行了完全的特征化,证明了它们仍然等同困难。
May, 2024
本文提出了一个新的应用领域理论的 ProbNetKAT 语义的特征,进而实现了 ProbNetKAT 的实际问题解决。我们使用该语义来描述各种概率问题,例如在网络中关于路由方案的期望拥塞和关于网络连通性的概率推理,并开发出原型实现。
Jul, 2016
本文探讨了关于不确定性的定性和定量方法可能导致不同的逻辑系统,即使表达不确定性的语言相同。本文重点研究关于相对概率的推理问题,我们发现,在使用预序偏好结构的标准定性方法和使用概率测度的定量方法之间存在显著的逻辑系统差异。我们提出了一种自然的修改方法,使得相同的偏好结构可用于研究基于不准确概率的比较概率推理。
Apr, 2021
通过构建一个概率模型,该论文提出了一种新的关系推导框架,提高了在相关数据集上的推导分数;此外,该论文还提供了两个用于帮助未来研究的实用资源:一种改进的判定数据集框架和一个包含 17848 个标记实例的公共数据集,其标记的精度从 53%提高到了 95%。
Jul, 2019