Jan, 2023

具有时间性质的生成逻辑：超越逻辑一致性和统计可能性

PDF
TL;DR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。
发现论文，激发创造
  • 一个简单的逻辑推理和统计学习生成模型

    提出了一种基于贝叶斯模型可实现逻辑推理和统计学习的新方法，使得符号推理成为正向和反向过程的结果，并对学习和推理的研究提供了新的视角。

    May, 2023

  • 统一逻辑蕴涵和统计估计

    本文基于生成模型的思想，采用 Bayesian learning 方法，探究形式逻辑及其数理统计特性，构建了一个统一的形式逻辑和统计推理理论。

    Feb, 2022

  • 推理和学习统一描绘的抽象推论

    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

  • 贝叶斯遇见蕴含和预测：基于非单调性、部分一致性和预测准确性的常识推理

    本文提出一种基于生成模型的逻辑推理关系，将真值的概率生成过程化，证明了该模型优于其他推理模型，同时给出了一种性能优越的分类算法。

    Dec, 2020

  • 从数据中推断抽象的统一符号推理模型

    从神经科学的贝叶斯方法论中汲取灵感，我们提供了一种统一的概率模型，用于从数据中进行各种类型的符号推理。我们使用经典后果关系、经验后果关系、最大一致集、最大可能集和最大似然估计来描述它们，该理论为实现类人机智能的推理过程提供了新的见解。

    Feb, 2024

  • 时间感知归纳逻辑推理

    本文研究了非知识图谱领域中的归纳逻辑推理问题，提出了基于超图的多起点随机 B-walk 方法和路径一致性算法相结合的后向链式归纳逻辑规则学习方法。

    Jun, 2022

  • 关于时间马尔可夫逻辑网络推理的参数化

    本研究旨在提高对不一致和不确定数据的推理能力，并着重探讨历史科学中常见的带时间间隔的知识图形数据。我们提出了关于新的时间马尔科夫逻辑网络（TMLN）的语义原理，旨在实现高效的最大后验推理，并扩展马尔科夫逻辑网络（MLN）以涵盖不确定的时间事实和规则，并研究了不同时间公式之间的全局和局部时间（不）一致性关系。然后，我们提出了新的时间参数语义，可以组合多个子函数，使用不同的评估策略。最后，我们介绍了语义必须遵守的限制，以满足我们的原则。

    Nov, 2022

  • 概率编程中逻辑推理的魔力

    本论文提出了一种基于分布句式的逻辑推理方法，并结合前向推理和重要性抽样技术，采用魔法集和后向推理技术来实现高效的概率推理。

    Jul, 2011

  • 因果层级上的概率推理

    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

  • 关于带不确定性有限轨迹的时间逻辑（技术报告）

    提出了一种新的基于超定理解的概率时态逻辑，用于处理现实动态系统中的不确定性，探讨了逻辑的特性并提供了基于自动机的推断机制。同时，研究了具有更好计算性质的逻辑片段，可以通过现有的声明性流程发现技术从事件日志数据中发现公式。

    Mar, 2019