Probabilities beyond Belnap-Dunn logic: dealing with gaps, gluts and reliability
本文通过利用扭转结构语义学来处理真值缺口、真值赘余和可靠性，引入并公理化地刻画了基于六值副有限逻辑 LETK+ 的概率函数，同时确立了杰弗里更新（Jeffrey's update）的可靠性、完备性以及语义-句法等价性。
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
长期以来，逻辑与概率一直被视为描述世界的两种不同语言。逻辑是关于我们如何推理的研究，旨在确定如果其他事物为真，则什么必然为真。概率则是关于不确定性的研究，衡量一个事件发生的可能性。几个世纪以来，这些领域一直遵循着一个严格的假设：即每个陈述非真即假，且我们的知识足以为任何事件的发生可能性分配一个单一的数值。这在投掷硬币或天气预报中运作良好，因为结果是明确的。但当我们面临矛盾、不完整或仅仅是不可靠的信息时，这种方法就会陷入困境。如果一名证人说汽车是红色的，而另一名证人说它是蓝色的，经典逻辑就会崩溃，因为汽车不能既是红色又是蓝色。如果根本没有人见过这辆车，经典逻辑则无法在不强行进行猜测的情况下，表达那种完全缺乏信息的状况。
为了处理这些混乱的现实，研究人员开发了一些允许存在“间隙”（即我们一无所知）和“溢出”（即我们拥有冲突信息）的系统。这些被称为非经典逻辑的系统将真理视为一个光谱，而非一个开关。然而，一个主要的挑战仍然存在：如何在这些灵活的系统中为陈述分配概率？如果一个陈述可以既是真的又是假的，或者既非真也非假，你该如何计算它发生的几率？这个问题对于人工智能、法律推理以及任何机器或人类必须基于不完美、冲突或不可靠数据进行决策的领域都至关重要。如果没有一种稳健的方法来衡量这些复杂场景中的不确定性，我们的推理工具将始终受困于一个过于简单的世界。
一支研究团队通过引入一种基于复杂的六值逻辑系统的概率新框架，填补了这一鸿沟。他们的研究成果发表在最近的一项研究中，该研究超越了传统的四值系统（仅涵盖真、假、两者皆是或两者皆非）。通过增加第五和第六个维度——代表信息本身的可靠性或“经典性”——他们创造了一种方法，不仅可以衡量一个陈述是否为真，还可以衡量我们对该真理来源的可信度。这使得进行更细粒度的信念分析成为可能，能够区分坚定的信念、摇摆不定的猜测、矛盾以及完全缺乏证据的情况。
研究人员将他们的系统建立在一种名为 LET+K 的逻辑之上，该逻辑通过引入一个充当“可靠性检查”的算子，扩展了早期的模型。用日常语言来说，这个算子允许系统表达：“我有证据支持这一主张，且该证据是可靠的，”或者“我有证据支持这一主张，但来源是不可靠的。”这种区别至关重要。在标准系统中，如果你遇到一个矛盾，你可能会被迫将其视为推理的彻底失败。而在这个新系统中，你可以承认矛盾的存在，同时指出导致矛盾的信息是不可靠的，从而使推理过程能够在不崩溃的情况下继续进行。团队定义了可以在六个不同可能区域内运作的概率函数：可靠信念、不可靠信念、冲突、不可靠不信、可靠不信以及完全不确定。
为了使这些抽象概念发挥作用，作者开发了一种使用他们称之为“扭转结构”（twist structures）的方法来可视化这些概率。想象一张地图，其中世界的每种可能状态都被划分为六个特定区域，而非仅仅两个。当一条信息到达时，它不仅仅落在“真”或“假”上，而是照亮了这张六部分地图中的特定区域。研究人员证明了他们的新概率函数在数学上是严谨且完备的，这意味着它们遵循严格的逻辑规则，防止矛盾并确保数值总和正确。他们展示了这些函数可以通过三种不同的方式定义——一维、三维和六维——并且这三种方法在本质上是完全等价的，只是从不同的角度观察同一组数据。
该论文的一个关键成就扩展了“杰弗里更新”（Jeffrey's update），这是一种在收到新证据时改变信念的著名方法。在经典世界中，如果你得知了一个新事实，你会基于该事实是确定的这一前提来更新你的概率。但在现实世界中，新证据往往是不确定的。研究人员将这种更新规则适配到了他们的六值系统中。他们演示了当你得知一个陈述是“某种程度上可靠”或“某种程度上具有矛盾性”，而不仅仅是真或假时，如何调整概率。他们提供了数学定义和逻辑证明，证明这两种更新方法是相同的，从而确保无论你是从原始数字的角度还是从逻辑规则的角度来看，该系统都是一致的。
研究还探讨了该系统如何处理用于证据确定时的经典“贝叶斯更新”。他们表明，当信息是完全可靠且矛盾不存在时，新系统自然地包含了旧有的经典方法。但当信息变得混乱时，该系统会通过灵活调整来适应复杂性。这意味着新框架并非取代我们的现有工具，而是将其进行了泛化，为处理拒绝简单化的世界提供了更强大的工具箱。
这项工作的意义对于任何处理不确定数据的领域都非常重大。通过提供一种严谨的方法，在衡量信息真值的同时衡量其可靠性，研究人员为我们在面对矛盾而不至于陷入混乱方面提供了手段。他们证明了，建立一个尊重信息可能存在冲突、缺失或单纯不可靠这一事实的概率数学理论是可能的。这不仅仅是一项理论练习；这是构建能够应对人类知识中混乱、矛盾和不可靠性质的人工智能的必要步骤。论文最后概述了该框架如何用于改进信念修正系统，允许智能体以一种对接收到的证据质量敏感的方式来更新其观点。
最终，这项研究为我们思考不确定性提供了一种更诚实的方式。它承认世界并不总是非黑即白的，且我们的知识往往是由坚定的信念、摇摆不定的猜测和明显的矛盾所组成的拼凑物。通过创造一种可以同时描述所有这些状态的数学语言，作者为一种更稳健、更灵活的证据逻辑奠定了基础。他们的工作证明，我们可以像衡量可能性一样精确地衡量我们信念的可靠性，从而开启了一个在不完美世界中进行推理的新时代。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。