本田研究院提出概率 Allen 代数
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把区间关系变成概率
Allen 区间代数用十三条基本关系描述两个时间段之间的先后与重叠，但这些关系都是对精确边界的硬性判断，只有成立与不成立两种结果。论文作者指出，来自语言、感知、数据库或不确定历史记录的时间信息往往并不精确，时刻、时长和边界都带有不确定性，像“just before”“roughly during”这类说法本身带有程度差异，硬性判断难以承载。为此作者提出概率 Allen 代数（PAA），其做法不是给关系直接打分，而是先对区间边界建立分布，再由分布推导出各关系的概率。具体设定为：时间点服从高斯分布，区间由高斯分布的中点与截断高斯分布的时长共同刻画。这样十三条关系不再是孤立谓词，而是在同一个概率空间内对边界先后顺序的判断。
统一概率空间下的推导
在这一框架下，不同层级的关系被归入同一套计算。点与点之间的关系可以化为误差函数；点与区间、区间与区间之间的关系，则由线性不等式诱导出的多元高斯正交概率给出。接触类关系（meets、starts、finishes、equals）本身在连续分布下概率为零，论文通过一个容差带让它们获得正测度；在同一个容差下，十三条关系构成真正的划分，而当容差趋近于零时，结果回到经典的硬性 Allen 关系。作者强调这套分类是被推导出来的，而非预先设定：precedence、overlap、containment 这类粗粒度谓词是若干叶子关系的并集，其概率等于相应叶子概率之和；当区间退化为点时，十三条关系依次归并为五条、再归并为三条，这种层级结构在退化过程中保持一致。
可分解与尺度不变
每条关系还可进一步拆解为具有相关性感知的时间原语，思路参照 CIDOC CRM 的分层方式，使关系内部的结构可以被单独考察。该代数具备尺度不变性，并把“shortly before”这类带程度的表达与接触关系区分开来，避免二者混为一谈。论文中的结果均经过蒙特卡洛方法验证，并随文提供一个开放、带测试的 Python 实现包，供他人复现与调用。全文共 41 页、含 7 幅图，作者单位为德国奥芬巴赫的本田欧洲研究所。
对使用者的意义
对需要处理不确定时间信息的系统而言，这一扩展提供了一条从边界分布到关系概率的完整路径，而不是在既有十三条关系上附加经验分数。使用者可以用同一套概率空间同时表达点、点与区间、区间与区间的关系，并在容差参数控制下在连续概率与经典离散关系之间切换。由于实现以开源 Python 包形式发布且经过测试，相关方法可以直接被调用验证；其层级归并特性也意味着粗粒度判断可由细粒度关系概率相加得到，便于在不同精度需求下复用同一套计算结果。
为什么值得看
为不确定时间推理提供了数学严谨且可计算的生成式框架。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。