本文提出了一种关于认知随机模糊集的普遍理论，用于处理模糊或清晰证据，并通过广义的乘积交集规则进行独立认知随机模糊集的组合，提出了用于量化标量或矢量量，即高斯随机模糊数和多维高斯随机模糊向量的实用模型，并为组合、投影和平凡扩展推导了高斯随机模糊数和向量的公式。

Feb, 2022

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

本文主要介绍模糊集、模糊逻辑、概率逻辑以及在数据驱动的现实问题中出现的不确定性等数学概念。

Sep, 2022

通过干预模拟程序的概念分析条件推理，我们将其扩展到概率仿真模型的情况，定义了条件语言中的概率并证明了其基本结果。同时，我们在该设置中发现了关于概率的线性不等式推理的公理化方法。我们证明了该逻辑的可满足性问题的正确性、完备性和 NP - 完全性。

Jul, 2018

使用 Beta 分布的概率逻辑编程方法（ProbLog）处理不确定性下的概率推理与决策制定问题。

Sep, 2018

该论文提出了一种简单的推理理论，用来从数据中完全推理符号知识。采用贝叶斯方法模拟数据如何导致符号知识，符号知识的概率推理被建模为正向与反向因果推理的过程。该理论应用于机器人本地化问题，研究表明机器人在完全基于数据的情况下，即使传感器出现故障或噪声也可以高效解决问题。

Jan, 2023

基于可靠性和可问责性的指导原则，本文提出了一种模型无关的统计框架，用于不确定性量化和统计推断，通过预测集提供可控制第一类错误的有限样本控制方法，并提供了灵活的工具用于不确定性概率推理。

Jul, 2023

该论文提出了一种将概率论和第一阶逻辑相结合的方法，在有限域内具有 Herbrand 解释的情况下，定义了概率证明定理及其推广问题，然后提出了能够同时拥有图模型推理和一阶定理证明的完整能力的方法，并开发了一种高效算法。实验表明，当逻辑结构存在时，该算法远优于目前已有的方法。

Feb, 2012

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

该论文研究了 kappa 演算和诊断应用中的概率推理之间的联系，通过将概率信念网络抽象成 kappa 网络，比较两种方法计算的故障排序，表明，在考虑原始概率网络中的所有因果关系时，至少对于所研究的例子，故障排列是相同的。

Feb, 2013