MétaCan
Menu
Retour à la cohorte
Enregistrement W2400151297 · doi:10.3233/978-1-61499-434-3-132

A Probabilistic Logic to Reason about the Interaction between Knowledge and Social Commitments in MASs

2014· book-chapter· en· W2400151297 sur OpenAlexaff
Khalid Sultan, Omar Marey

Notice bibliographique

RevueFrontiers in artificial intelligence and applications · 2014
Typebook-chapter
Langueen
DomaineComputer Science
ThématiqueFormal Methods in Verification
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésProbabilistic logicEpistemologyComputer scienceCognitive sciencePsychologyArtificial intelligencePhilosophy

Résumé

récupéré en direct d'OpenAlex

In this paper, we develop a probabilistic approach to formally represent and reason about the interaction between knowledge and social commitments in Multi-Agent Systems (MASs). Unlike existent approaches that address social commitments within the scope of agent to agent, our approach considers commitments among multiple agents as well. In particular, we introduce a new logic called the probabilistic logic of knowledge and commitment (PCTLkc+). The logic we introduce combines a logic of knowledge and commitment (CTLKC+) with a probabilistic branching-time logic (PCTL). We then extend the resulting logic by adding further operators for the group knowledge and group commitment so that different flavors of the interaction between the two concepts can be nicely captured and reasoned about. A major contribution of this paper is the semantics of group social commitment, which has not been considered in the literature. Target systems are modeled using a new extended version of interpreted systems, a popular formal framework that models the communication between interacting agents and accounts for the uncertainty in MASs. The advancement of the proposed logic over existing logics lies in its expressiveness power that allows one to not only express knowledge and social commitments independently, but also express combinations between them in the presence of uncertainty when the scope of interacting agents goes beyond two.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,438
Score d'incertitude au seuil0,812

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,096
Tête enseignante GPT0,348
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in artificial intelligence and applicationsMême sujetFormal Methods in VerificationTravaux en français237 207