Search

Tag: #formal-methods7 results

從 Doyle 到 AGM：信念變更的工程化之路

本調查回顧從 Doyle 與 London 於 1980 年提出的分類法，到 AGM 框架及當代計算方法的信念變更研究演進。研究將歷史理論與實作挑戰連結起來，為開發穩健且具形式保證的計算藍圖奠定基礎。

研究人員提出兩種具可靠性保證的編碼方法，用於規劃符合 STL-GO 所描述之時空與拓撲約束的多代理路徑。這兩種方法分別採用混合整數規劃與可滿足性模理論，並在具動態圖形互動的多無人機搜救情境中進行評估。

HyPOLE 是一個利用超屬性（hyperproperties）與 HyperLTL 時序邏輯來引導部分可觀測環境下多代理強化學習（MARL）的新框架。它整合了集中式訓練與分散式執行（CTDE）技術，以合成穩健的分散式策略。

VeryTrace 引入了一種零樣本框架，將自然語言推理轉換為結構化、可編譯的表示形式，以檢測並修復邏輯錯誤。透過結合確定性檢查與目標導向的 LLM 審核，它在數學與機器人等複雜領域中提升了準確性，且無需額外訓練。

研究人員推出了 AGMpabd，這是第一個能夠處理矛盾假設而不導致邏輯崩潰的 AGM 式溯因擴展運算。此發展利用 RCbr 邏輯，在複雜的推理任務中維持知識狀態的一致性。

這項研究引入了一種層論（Sheaf-theoretic）框架，幫助 AI 代理判斷其表徵框架何時失效。透過測量殘差擬合與約束違規等阻礙因素，AI 可以決定是應變形現有模型，還是擴展其語言體系。

本文提出一套形式化框架，透過閉包、完備化與選擇，將具有多重解釋的結構理論轉化為規範性解釋。研究區分認知型與結構型非決定性，為強結構多樣性建立確定化結果，並將此框架連結至 LLM 輔助推理中的幻覺問題。