🤖 AI

Interval Orders, Biorders and Credibility-limited Belief Revision

本文引入并公理化刻画了基于区间序和双序的新信念修正算子族，展示了后者如何建模认知失调，并引出可信度受限的修正策略，即主体可能最初拒绝不一致信息，但在进一步解释后予以接受。

原作者： Richard Booth, Ivan Varzinczak

发布于 2026-05-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Richard Booth, Ivan Varzinczak

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用通俗语言和日常类比对该论文的解读。

宏观图景：更新你的信念

想象你的大脑是一座藏书馆（你的信念）。每天，你都会收到一条新信息（一本新书），想要把它加入藏书馆。

在标准的、"完美"的做法中（称为AGM 修正），你被假定为一个机器人：

总是立即接受新书（成功性）。
绝不允许藏书馆变得混乱，即两本书之间互相矛盾（一致性）。

如果新书说"天空是绿色的"，而你的藏书馆说"天空是蓝色的"，机器人会立刻扔掉旧的"蓝色"书，为新的一腾出空间。它从不犹豫，也绝不会让藏书馆变得支离破碎。

本文认为，真实的人类并非机器人。 有时，新信息过于怪异或令人震惊，我们不应盲目接受。有时，接受它可能会摧毁我们整个世界观。作者探讨了当我们放宽"总是接受"和"始终保持一致"的规则时会发生什么。

工具：对你的世界进行排序

为了决定保留哪些书、扔掉哪些书，我们需要一种方法来对不同情景的"可信度"进行排序。

旧方法（全预序）： 想象一个单一的直梯。每个可能的世界都位于一个梯级上。如果世界 A 比世界 B 高，那么 A 更好。这是标准的 AGM 方法。
新方法 1：区间序（"范围"类比）：
与其使用单一的梯级，不如想象每个情景都有一个范围（就像温度范围）。
- 情景 A： "气温在 60°F 到 70°F 之间。"
- 情景 B： "气温在 65°F 到 75°F 之间。"
- 情景 C： "气温在 80°F 到 90°F 之间。"
在这里，A 和 B 重叠，因此它们在可信度上是"接近"的。但 C 明显更热。这比单一的梯子提供了更多的细微差别。本文展示了如何利用这些"范围"来更新信念。
新方法 2：双序（"负空间"类比）：
这是本文的主要创新。想象有些情景如此怪异，以至于它们的"范围"具有负长度。
- 正常情景： "气温在 60°F 到 70°F 之间"（长度 = 10）。
- 不协调情景： "气温在 70°F 到 60°F 之间"（长度 = -10）。
"负长度"并不意味着温度很低，而是意味着该情景是不稳定或不协调的。这是一个让主体感到"错误"或"不可能"的世界。如果你试图将你的信念强行塞入这个负空间，你的藏书馆可能会崩塌。

问题：当新信息摧毁一切时

作者表明，如果你使用这些带有"负长度"的"双序"来更新信念，你会遇到一个问题：一致性被破坏了。

情景： 你相信"我的侄子 5 岁"。
新信息： "我的侄子今天和查尔斯国王共进午餐。"
结果： 在"双序"模型中，这条新信息可能会将你的信念推入"负长度"区域。结果是一组逻辑上破碎（不一致）的信念。

本文称这些为**"破坏性语句"**。它们是那些一旦被接受，就会导致主体信念系统崩溃的输入。

解决方案："可信度过滤器"

既然我们无法总是保证在使用这些新颖工具时保持一致性，作者提出了一种安全阀：非优先修正。

主体不再盲目接受新书，而是拥有一个可信度过滤器。

如果新信息是"可信的"（它落在安全的正范围内），主体就会接受它并更新藏书馆。
如果新信息是"不可信的"（它落在负面的、不协调的区域），主体会完全拒绝它，并保持藏书馆原封不动。

权衡：

旧规则： 总是接受新信息（成功性），即使它会破坏一致性。
新规则： 始终保持一致性，即使这意味着拒绝新信息。

"语境"的转折

本文提出了一个非常有趣的观点，关于我们为什么可能会拒绝某事。

想象你听到："我 5 岁的侄子今天和查尔斯国王共进午餐。"

反应： "那不可能！我拒绝它。"（它是不可信的）。

但随后，你听到了后续："查尔斯国王今天访问了一所当地学校。"

反应： "哦！现在我相信了。侄子当时在学校。"

本文认为，第一句话并非"虚假"；它只是单独来看不可信。它需要语境（第二句话）才能变得可信。

大多数先前的理论认为："如果你拒绝了一个句子，你就永远拒绝它。"
本文认为："你今天可以拒绝一个句子，但如果明天有人给你更好的解释，你可能会接受它。"

他们称之为**"受限可信度修正"**。这就像俱乐部的门卫：

如果你独自走进来（那个句子），你会被拒绝。
如果你和一位 VIP 朋友一起走进来（语境/解释），门卫会让你进去。

作者主张的总结

我们可以建模"怪异"的信念： 通过使用"双序"（允许负区间），我们可以数学化地表示那些感觉"不稳定"或"不协调"的信念。
一致性无法保证： 如果你使用这些模型来更新信念，你可能会最终得到一组破碎的、不一致的信念。
解决办法是拒绝： 为了解决这个问题，我们可以建立一个系统，让主体简单地忽略（拒绝）任何会导致崩溃的新信息。
语境很重要： 这个系统允许一个句子最初被拒绝，但在提供更多语境后又被接受。这打破了旧规则，即"如果你相信 A，你就必须相信 A 与任何其他事物的结合"。

简而言之： 本文为那些足够聪明、会说"等等，这听起来太疯狂了，现在不可能是真的"，但也足够聪明、会说"哦，既然你解释了语境，我相信了"的主体，提供了一套数学工具箱。

以下是 Richard Booth 和 Ivan Varzinczak 的论文《区间序、双序与受限可信度信念修正》的详细技术总结。

1. 问题陈述

本文探讨了标准 AGM（Alchourrón、Gärdenfors 和 Makinson）信念修正框架的局限性。AGM 方法依赖于可能世界上的 全预序 来建模代理人的信念。该框架强制执行两个核心公设：

成功性（Success）： 新信息总是被接受。
一致性（Consistency）： 生成的信念集总是一致的（前提是输入是一致的）。

作者认为，这些公设对于现实代理人而言过于理想化。现实代理人可能会遇到 破坏性（导致当前信念崩溃）或 不可信（最初被拒绝，但在进一步语境下可能接受）的信息。本文旨在探索基于更一般排序结构的信念修正算子，以允许以下情况：

不稳定性/不协和性： 接受新信息导致最优模型集为空（不一致）的场景。
非优先修正： 代理人为了保持一致性而拒绝新信息的场景，或者放弃“成功性”公设的场景。

2. 方法论

作者将信念修正的底层语义结构从全预序推广到理性选择理论中研究的两个更广泛的排序类别：区间序（Interval Orders） 和 双序（Biorders）。

A. 区间序（IOB）

定义： 满足自反性和 Ferrers 条件 的二元关系。
语义： 由 基于区间的解释 $\mathcal{I} = \langle L, U \rangle$ 表示，其中每个世界 $v$ 被分配一个非负整数区间 $[L(v), U(v)]$ 。
修正规则： 世界 $v$ 优于 $u$ ，当且仅当 $L(v) \leq U(u)$ 。
行为： 这些算子满足 成功性 公设，但通常不满足 空性（Vacuity） 和 子扩张（Subexpansion）（标准 AGM 公设）。它们保持 一致性。

B. 双序（BOB）

定义： 区间序的推广，满足 Ferrers 条件但 不要求自反性。
语义： 由 基于双序的解释 $\mathcal{B} = \langle L, U \rangle$ $B = ⟨ L, U ⟩$ 表示。关键在于，区间长度 $U(v) - L(v)$ $U (v) - L (v)$ 可以是负数。
- 负区间（ $U(v) < L(v)$ ）表示 不协和估值，代表一种“不可能性”或不稳定形式。
修正规则： $v \preceq_{bi} u$ 当且仅当 $L(v) \leq U(u)$ 。
行为： 这些算子满足 成功性 但 违反一致性。如果新信息 $\alpha$ 是“破坏性的”（即 $\alpha$ 的最优模型集为空，因为 $\alpha$ 的所有模型都是不协和的），修正将产生不一致（空）的信念集。

C. 子类与传递性

作者定义了两个双序子类，以施加更强的结构属性：

ZTBOB（z-传递）： 满足涉及不协和元素的弱化传递形式。这确保了 一致谨慎单调性。
TBOB（传递）： 满足完全传递性。这恢复了 子扩张 公设（一个关键的 AGM 补充公设），但仍允许不一致。

D. 非优先修正（NPR）

为了解决基于双序修正中的不一致问题，作者定义了 非优先修正 算子（ $\circ$ ）。

机制： 如果 $\alpha$ 的基于双序的修正（ $\bullet$ ）导致不一致集，NPR 算子将拒绝输入并返回原始信念集 $KB$。
可信度： 如果 $KB \bullet \alpha$ 是一致的，则输入 $\alpha$ 被视为 可信的；否则为 不可信的。
与受限可信度修正（CLR）的联系： 作者将这些 NPR 算子映射到可信度受限修正（Hansson 等人）框架，但有一个关键修改：他们 拒绝了单句闭包 属性。
- 标准 CLR： 如果 $\alpha$ 是可信的，则任何逻辑推论也是可信的。
- 提出的 CLR： 代理人可能最初拒绝 $\alpha$ ，但如果 $\beta$ 提供了必要的语境，则接受 $\alpha \land \beta$ （例如，“查尔斯国王访问了一所学校”使得“侄子与查尔斯国王共进午餐”变得可信）。

3. 主要贡献

修正语义的扩展：
- 引入了 基于区间序（IOB） 的修正，完善了 Rott（2014）针对收缩操作开启的图景。
- 引入了 基于双序（BOB） 的修正，利用负区间长度来建模“不协和”和不稳定性，这是信念修正中此前未探索的概念。
公理化刻画：
- 提供了 IOB、ZTBOB 和 TBOB 算子的表示定理。
- 指出 TBOB 算子满足除 一致性 之外的所有 AGM 公设，外加 析取理性。
- 使用一组公设刻画了生成的 NPR 算子（BOB-NPR、ZTBOB-NPR、TBOB-NPR），这些公设包括 相对成功性（成功或无变化）和修改后的析取理性。
具有语境闭包的受限可信度修正：
- 将 NPR 算子表述为受限可信度修正算子。
- 提出了对 单句闭包 条件的放宽（将其替换为针对析取式的较弱闭包）。这允许 语境依赖的可信度，即一个句子在孤立时被拒绝，但在结合解释性语境时被接受。
处理破坏性输入：
- 定义了 破坏性、不可调和 和脆弱句子。
- 证明了双序可以建模代理人进入“维护模式”（拒绝输入）直到进一步解释稳定信念状态的场景。

4. 结果

定理 1-3： 建立了全预序、区间序和双序与其各自修正算子之间的对应关系。
定理 4 和 5： 表明 ZTBOB 和 TBOB 算子满足特定的强化公设集（例如，TBOB 满足子扩张）。
定理 6-8： 提供了这些算子的非优先版本的公理化刻画，引入了如 P12+ 等公设（如果析取式是可信的且其中一个析取项不可信，则结果等同于仅用可信的析取项进行修正）。
定理 9 和 10： 证明了 ZTBOB-NPR 和 TBOB-NPR 算子分别等价于底层修正基于区间序和 AGM（全预序）的受限可信度修正算子。
反例： 证明了标准 AGM 公设如空性和 子扩张 对一般双序失效，且除非过滤输入，否则 一致性 对 BOB 修正失效。

5. 意义

AI 中的现实性： 通过允许信息的 不稳定性 和 条件性接受，该论文使信念修正更接近现实代理人的行为。它模拟了认知过程，即在接受“好得令人难以置信”或“太奇怪”的信息之前先拒绝，直到其被语境化。
理论新颖性： 它 bridged 理性选择理论（特别是双序和区间序）与 信念修正 之间的鸿沟，将“负区间”和“不协和”等概念引入信念变化的逻辑中。
灵活性： 通过放宽 单句闭包 条件，该框架支持更细致的推理，其中陈述的可信度取决于其与其他陈述的合取（语境），而不仅仅是其逻辑形式。
未来方向： 这项工作为研究基于双序的 迭代修正、可废止推理 和 规范性推理 开辟了途径，表明双序中超出单次修正步骤所需之外的额外结构对于处理更新序列可能至关重要。

总之，该论文提出了一个稳健的理论框架，其中信念修正不是对真理的盲目接受，而是一个由代理人信念排序的结构属性支配的选择过程，能够处理不稳定性和语境依赖的可信度。