본문으로 건너뛰기

가정과 모순을 허용하는 부분적 합의 추론 확장 연산

AI 자동 생성

1996년 마우리스 파그누코(Maurice Pagnucco)가 작성한 박사 학위 논문에서 처음으로 AGM-like 추론 확장 연산을 만들었다. 파그누코의 연산을 바탕으로, Atocha Aliseda의 영감을 받은 분류체계를 사용하여 추론의 주요 구성 요소를 강조하고 공식화하는 데 사용되었다. 이 논문의 주요 목표는 추론의 주요 구성 요소를 강조하고 공식화하는 데 사용되는 분류체계를 바탕으로 새로운 paraconsistent AGM-like 추론 확장 연산을 제시하는 것이다. 이 연산은 모순된 설명적 가설을 흡수하는 동안 가치가 없는 epistemic 상태를 피하고 전이적 관계가 있는 부분적 합의 생성을 갖는다. 또한 이 논문에서 제시된 형식 개발은 최근에 paraconsistent 논리 RCbr가 만들어짐에 따라 가능해졌다. RCbr는 LFI(형식 불일치의 논리)로서, 특히 신념 수정의 맥락에서 특히 유용한 속성을establish한다. 특히, 자기 확장성(self-extensional)이라는 속성을 갖는다. 이는 신념 수정의 맥락에서 특히 유용한 속성이다. 이 논문에서 제시한 paraconsistent 추론 확장 연산은 AGMpabd라는 새로운 시스템의 일부이다. AGMpabd의 새로운 시스템은 많은 흥미로운 특징을 가지고 있지만, 모순된 설명적 가설에 대한 모순된 부정과 일관성의 연산자에 대한 epistemic 역할을 할당하지 않는다. 이와 같은 역할을 할당하는 analogous paraconsistent 추론 확장 연산은 AGMcircabd라는 새로운 시스템의 일부로 두 번째 논문에서 설명할 것이다. 그러나 이 논문에서 개발한 연산은 AGM 문헌에서 처음으로 개발된 연산이다.

원문 보기 arXiv AI

함께 읽으면 좋은 기사

연구 3일 전

스트로크 위험도 예측을 위한 새로운 AI 기술: MedGate-Fusion

스트로크 위험도를 예측하는 것은 원치 않는 병력이 발생하기 전에 중요한 역할을 합니다. 그러나 이 과제는 의사들이 주기적으로 기록하는 생리학적 바이오마커와 비구조적인 의료 기록의 사이에 분산되어 있는 초기 위험 신호를 식별하는 어려움으로 인해 힘들어집니다. MedGate-Fusion은 이러한 문제를 해결하기 위해 처음 만나는 의료 기록의 의미론적 이야기와 10개의 정기적으로 기록된 위험 표시자를 통합하는 멀티 모달 게이트 아키텍처를 제안합니다. 이 아키텍처는 대규모 언어 모델(LLM)과 같은 기존의 AI 기술을 사용하여 의료 기록의 의미를 추출하고 생리학적 바이오마커의 정보를 통합하여 스트로크 위험도를 예측합니다.

연구 3일 전

기존의 전제 조건자들이 생의학 표준 표 데이터 학습을 개선하는가? 표준 표 데이터 학습 최적화에 대한 실증 연구

최근 구조화된 생물학적 데이터 분석에 있어서 표준화된 기초 모델(tabular foundation model)이 강력한 잠재력을 보인다. 그 중 하나인 TabPFN은 낮은 데이터 표준화 분류 작업에서 효과적인 접근 방식으로 나타났지만, 최적화 및 조건화 전략의 생물학적 세부 튜닝에 대한 영향은 여전히 크게 연구되지 않았다. 본 연구에서, 우리는 59 개의 생물학적 데이터셋(Alzheimer'

관련 콘텐츠 더 보기

다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.