credal networks under epistemic irrelevance
play

credal networks under epistemic irrelevance Jasper De Bock - PowerPoint PPT Presentation

Jan 11, 2023 •310 likes •730 views

WPMSIIP 2013 credal networks under epistemic irrelevance Jasper De Bock 7 September 2013, Lugano Research group SYSTeMS Jasper De Bock Gert de

  1. WPMSIIP ¡2013 ¡ credal ¡networks ¡under ¡ epistemic ¡irrelevance ¡ Jasper ¡De ¡Bock ¡ 7 ¡September ¡2013, ¡Lugano ¡

  2. Research ¡group ¡ SYSTeMS ¡ Jasper ¡De ¡Bock ¡ ¡ Gert ¡de ¡Cooman ¡ ? ¡ Stavros ¡Lopatatzidis ¡ Arthur ¡Van ¡Camp ¡ Erik ¡Quaeghebeur ¡ Márcio ¡A. ¡Diniz ¡

  3. Credal ¡networks: ¡basic ¡setup ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ A ¡finite ¡ X 4 ¡ number ¡of ¡ X 2 ¡ x 4 ¡ k X 4 ¡ ¡ ∈ variables ¡ Every ¡ variable ¡X s ¡ takes ¡values ¡x s ¡ X 1 ¡ in ¡some ¡finite ¡non-­‑empty ¡set ¡ X s ¡ ¡

  4. Credal ¡networks: ¡basic ¡setup ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ G ={1,2,3,4,5,6,7} ¡ X 4 ¡ X 2 ¡ Graphical ¡structure: ¡ X 1 ¡ D irected ¡ A cyclic ¡ N etwork ¡( DAG ) ¡

  5. Credal ¡networks: ¡basic ¡setup ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ G={1,2,3,4,5,6,7} ¡ X 4 ¡ ∀ ∈ ¡ ¡s ¡ ¡ ¡ ¡G: ¡P(s), ¡D(s), ¡N(s) ¡ X 2 ¡ Graphical ¡structure: ¡ X 1 ¡ D irected ¡ A cyclic ¡ N etwork ¡( DAG ) ¡

  6. Credal ¡networks: ¡local ¡uncertainty ¡models ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ X 4 ¡ X 2 ¡ credal ¡set ¡ X 1 ¡ lower ¡prevision ¡ set ¡of ¡desirable ¡gambles ¡

  7. Credal ¡networks: ¡epistemic ¡irrelevance ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ X 4 ¡ X 2 ¡ X 1 ¡

  8. Credal ¡networks: ¡a ¡joint ¡model ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ X 4 ¡ ? ¡ X 2 ¡ X 1 ¡

  9. Credal ¡networks: ¡a ¡joint ¡model ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ X 4 ¡ ! ¡ X 2 ¡ not ¡unique ¡ X 1 ¡

  10. Credal ¡networks: ¡a ¡joint ¡model ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ irrelevant ¡ ¡natural ¡extension ¡ X 4 ¡ ! ¡ X 2 ¡ The ¡most ¡conservaGve ¡one ¡ X 1 ¡

  11. Credal ¡networks ¡using ¡credal ¡sets ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ irrelevant ¡ ¡natural ¡extension ¡ X 4 ¡ ! ¡ X 2 ¡ The ¡most ¡conservaGve ¡one ¡ X 1 ¡ Introduced ¡by ¡Cozman ¡(2000) ¡under ¡the ¡ assump_on ¡of ¡posi_ve ¡lower ¡probability. ¡ ¡

  12. Credal ¡networks ¡using ¡credal ¡sets ¡ X 2 ¡ X 1 ¡ irrelevant ¡ ¡natural ¡extension ¡ X 3 ¡ ! ¡ The ¡most ¡conservaGve ¡one ¡ Introduced ¡by ¡Cozman ¡(2000) ¡under ¡the ¡ assump_on ¡of ¡posi_ve ¡lower ¡probability. ¡ Descrip_on ¡in ¡terms ¡of ¡linear ¡constraints! ¡ ¡

  13. Credal ¡networks ¡using ¡credal ¡sets ¡ X 2 ¡ X 1 ¡ Query ¡nodes ¡ ? Evidence ¡nodes ¡ x 3 ¡ § Inference ¡problems ¡can ¡be ¡reduced ¡to ¡solving ¡a ¡ (poten_aly ¡large) ¡ linear ¡program! ¡ § Lots ¡of ¡poten_al ¡to ¡derive ¡both ¡outer ¡and ¡inner ¡ approxima_ons ¡

  14. Credal ¡networks ¡using ¡lower ¡previsions ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ irrelevant ¡ ¡natural ¡extension ¡ X 4 ¡ ! ¡ X 2 ¡ The ¡most ¡conservaGve ¡one ¡ Introduced ¡for ¡trees ¡by ¡de ¡Cooman ¡et ¡al. ¡(2010) ¡ X 1 ¡ and ¡extended ¡to ¡general ¡networks ¡by ¡De ¡Bock ¡& ¡ de ¡Cooman ¡(2013), ¡without ¡posi_vity ¡assump_ons. ¡ The ¡joint ¡is ¡s_ll ¡described ¡by ¡the ¡same ¡linear ¡constraints! ¡

  15. Bayesian ¡networks: ¡useful ¡properGes ¡ X 11 ¡ X 7 ¡ x 8 ¡ X 10 ¡ x 1 ¡ X 9 ¡ Query ¡nodes ¡ X 2 ¡ Evidence ¡nodes ¡ X 5 ¡ x 3 ¡ x 4 ¡ x 6 ¡

  16. Bayesian ¡networks: ¡useful ¡properGes ¡ X 11 ¡ X 7 ¡ x 8 ¡ X 10 ¡ x 1 ¡ X 9 ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡ x 4 ¡ x 6 ¡

  17. Bayesian ¡networks: ¡useful ¡properGes ¡ X 11 ¡ X 7 ¡ x 8 ¡ x 1 ¡ X 9 ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡ x 4 ¡ x 6 ¡

  18. Bayesian ¡networks: ¡useful ¡properGes ¡ X 11 ¡ X 7 ¡ x 8 ¡ x 1 ¡ X 9 ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡ x 4 ¡ x 6 ¡

  19. Bayesian ¡networks: ¡useful ¡properGes ¡ X 7 ¡ x 8 ¡ x 1 ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡ x 4 ¡ x 6 ¡

  20. Bayesian ¡networks: ¡useful ¡properGes ¡ X 7 ¡ x 8 ¡ D-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡ x 4 ¡ x 6 ¡

  21. Bayesian ¡networks: ¡useful ¡properGes ¡ X 7 ¡ X 8 ¡ D-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡ X 4 ¡ X 6 ¡

  22. Bayesian ¡networks: ¡useful ¡properGes ¡ X 7 ¡ X 8 ¡ D-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡ X 4 ¡ X 6 ¡

  23. Bayesian ¡networks: ¡useful ¡properGes ¡ X 7 ¡ D-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡

  24. Bayesian ¡networks: ¡useful ¡properGes ¡ X 7 ¡ D-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡

  25. Bayesian ¡networks: ¡useful ¡properGes ¡ D-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡

  26. Bayesian ¡networks: ¡useful ¡properGes ¡ CondiGonal ¡ marginalisaGon ¡ properGes ¡ D-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ X 5 ¡ x 3 ¡

  27. Bayesian ¡networks: ¡useful ¡properGes ¡ CondiGonal ¡ marginalisaGon ¡ properGes ¡ D-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ x 3 ¡

  28. Credal ¡networks: ¡useful ¡properGes ¡? ¡ CondiGonal ¡ marginalisaGon ¡ properGes ¡ D-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ x 3 ¡

  29. Credal ¡networks: ¡useful ¡properGes ¡? ¡ CondiGonal ¡ ? marginalisaGon ¡ properGes ¡ D-­‑separated ¡ ? evidence ¡is ¡ not ¡relevant ¡ graphoid ¡ axioms ¡ Barren ¡nodes ¡ can ¡be ¡removed ¡ ✔ (Cozman ¡2000) ¡ Credal ¡networks ¡under ¡ epistemic ¡irrelevance ¡

  30. Credal ¡networks ¡using ¡SDGs ¡ X 7 ¡ X 5 ¡ X 3 ¡ X 6 ¡ irrelevant ¡ ¡natural ¡extension ¡ X 4 ¡ ! ¡ X 2 ¡ The ¡most ¡conservaGve ¡one ¡ Introduced ¡by ¡De ¡Bock ¡& ¡de ¡Cooman ¡(2013) ¡ X 1 ¡ § Simplifies ¡coherence ¡proofs ¡for ¡LPs ¡ § (condi_onal) ¡marginalisa_on ¡proper_es ¡ § AD-­‑separa_on ¡implies ¡irrelevance ¡

  31. Credal ¡networks: ¡useful ¡properGes ¡ ✔ CondiGonal ¡ (De ¡Bock ¡& ¡ ¡ ✔ marginalisaGon ¡ tde ¡Cooman ¡2013) ¡ properGes ¡ AD-­‑separated ¡ evidence ¡is ¡ ✔ not ¡relevant ¡ graphoid ¡ axioms ¡ Barren ¡nodes ¡ can ¡be ¡removed ¡ ✔ (Cozman ¡2000) ¡ Credal ¡networks ¡under ¡ epistemic ¡irrelevance ¡

  32. Credal ¡networks: ¡useful ¡properGes ¡ ✔ X 11 ¡ X 7 ¡ x 8 ¡ X 10 ¡ x 1 ¡ X 9 ¡ Query ¡nodes ¡ X 2 ¡ Evidence ¡nodes ¡ X 5 ¡ x 3 ¡ x 4 ¡ x 6 ¡

  33. Credal ¡networks: ¡useful ¡properGes ¡ ✔ CondiGonal ¡ marginalisaGon ¡ properGes ¡ AD-­‑separated ¡ evidence ¡is ¡ x 1 ¡ not ¡relevant ¡ Barren ¡nodes ¡ X 2 ¡ can ¡be ¡removed ¡ x 3 ¡ x 4 ¡

  34. Credal ¡trees: ¡efficient ¡(linear!) ¡algorithms ¡ ¡ (In ¡trees, ¡the ¡joint ¡can ¡be ¡constructed ¡ Evidence ¡ recursively ¡by ¡applying ¡marginal ¡extension ¡ and ¡independent ¡natural ¡extension) ¡ Query ¡ x 7 ¡ X 9 ¡ X 8 ¡ x 1 ¡ Single ¡query ¡node ¡ X 2 ¡ (de ¡Cooman ¡et ¡al. ¡2010) ¡ X 5 ¡ x 3 ¡ x 4 ¡ x 6 ¡

  35. Credal ¡trees: ¡efficient ¡(linear!) ¡algorithms ¡ ¡ Evidence ¡ X 1 ¡ X 2 ¡ X 3 ¡ X 4 ¡ Query ¡ x 7 ¡ x 6 ¡ x 8 ¡ x 5 ¡ ? Single ¡query ¡node ¡ (de ¡Cooman ¡et ¡al. ¡2010) ¡ Example: ¡ ¡ kalman ¡filtering ¡ ¡ (Benavoli ¡et ¡al. ¡2011) ¡

Recommend

Credal Networks under Epistemic Irrelevance: Theory and Algorithms

Credal Networks under Epistemic Irrelevance: Theory and Algorithms

Credal Networks under Epistemic Irrelevance: Theory and Algorithms Jasper De Bock 13 May 2015, Ghent, Belgium Credal Networks under Epistemic Irrelevance:

1.01k views • 85 slides
Extensions of Sets of Markov Operators Under Epistemic Irrelevance Damjan kulj University of

Extensions of Sets of Markov Operators Under Epistemic Irrelevance Damjan kulj University of

Extensions of Sets of Markov Operators Under Epistemic Irrelevance Damjan kulj University of Ljubljana ISIPTA 2019 Ghent, 6 July 2019 Probabilistic models via sets of Markov operators Markov operators Definition Let H and K be sets of

255 views • 12 slides
Generalized Loopy 2U: A New Algorithm for Approximate Inference in Credal Networks Alessandro

Generalized Loopy 2U: A New Algorithm for Approximate Inference in Credal Networks Alessandro

Generalized Loopy 2U: A New Algorithm for Approximate Inference in Credal Networks Alessandro Antonucci, Marco Zaffalon, Sun Yi, Cassio de Campos IDSIA Lugano, Switzerland PGM 08 - Hirtshals September 19th, 2008 Imprecise probabilities

1.04k views • 75 slides
Co-evolution in Epistemic Networks Reconstructing Social Complex Systems Camille Roth CREA

Co-evolution in Epistemic Networks Reconstructing Social Complex Systems Camille Roth CREA

Co-evolution in Epistemic Networks Reconstructing Social Complex Systems Camille Roth CREA CNRS / Ecole Polytechnique Presentation of the thesis Nov 19, 2005 Framework and objectives Epistemic communities Micro-foundations The

905 views • 55 slides
Epistemic Network Analysis Todays Class Epistemic Network Analysis Epistemic Network

Epistemic Network Analysis Todays Class Epistemic Network Analysis Epistemic Network

Week 5 Video 6 Epistemic Network Analysis Todays Class Epistemic Network Analysis Epistemic Network Analysis (ENA) (Shaffer, 2017) Studying relationships between elements in coded data Lots of applications Conference founded

536 views • 30 slides
+ Epistemic Injustice Helen Lauer, David Crowe How epistemic injustice in the global health

+ Epistemic Injustice Helen Lauer, David Crowe How epistemic injustice in the global health

+ Epistemic Injustice Helen Lauer, David Crowe How epistemic injustice in the global health arena undermines public health care delivery Vers Pont du Gard Conference, June 2018 in Africa. + Epistemic Injustice n Epistemology ( p sti

296 views • 25 slides
Bayesian networks: basic setup Graphical structure: DAG 6

Bayesian networks: basic setup Graphical structure: DAG 6

UUvUG workshop Credal networks an overview of different approaches Jasper De Bock 11 June 2013 Bayesian networks: basic setup Graphical structure:

656 views • 32 slides
Focusing on What Really Matters: Irrelevance Pruning in M&S Alvaro Torralba, Peter

Focusing on What Really Matters: Irrelevance Pruning in M&S Alvaro Torralba, Peter

Focusing on What Really Matters: Irrelevance Pruning in M&S Alvaro Torralba, Peter Kissmann Saarland University, Germany SoCS 2015, June 11 Session with ICAPS 2015 Torralba, Kissmann From Dominance to Irrelevance Pruning SoCS 2015 1

1.28k views • 35 slides
An epistemic extension of equilibrium logic and its relation to Gelfonds epistemic

An epistemic extension of equilibrium logic and its relation to Gelfonds epistemic

ASP and epistemic specifications HT models and equilibrium models Epistemic HT models and equilibrium models Comparison An epistemic extension of equilibrium logic and its relation to Gelfonds epistemic specifications Andreas Herzig

760 views • 27 slides
The Irrelevance of Turing machines to AI (and maybe to computers as we know them) Aaron Sloman

The Irrelevance of Turing machines to AI (and maybe to computers as we know them) Aaron Sloman

School of Computer Science Theory seminar Birmingham Friday 28th Feb 2003 Also University of Nevada at Reno 20 March 2003 The Irrelevance of Turing machines to AI (and maybe to computers as we know them) Aaron Sloman

805 views • 45 slides
A Lightweight Epistemic Logic and its Application to Planning Elise Perrotin Joint work with

A Lightweight Epistemic Logic and its Application to Planning Elise Perrotin Joint work with

Introduction EL-O: Epistemic Logic of Observation Epistemic planning with conditional effects Conclusion A Lightweight Epistemic Logic and its Application to Planning Elise Perrotin Joint work with Martin Cooper, Andreas Herzig, Faustine

549 views • 24 slides
Credal sensitivism: threshold vs credence-one JIE GAO, KU LEUVEN NEW TRENDS IN EPISTEMOLOGY,

Credal sensitivism: threshold vs credence-one JIE GAO, KU LEUVEN NEW TRENDS IN EPISTEMOLOGY,

Credal sensitivism: threshold vs credence-one JIE GAO, KU LEUVEN NEW TRENDS IN EPISTEMOLOGY, HAMBURG, 05/10/2017 Some background Clarke, Roger (2013), Belief Is Credence One (In Context), Philosophers Imprint Greco, Daniel (2015), How

813 views • 48 slides
Outline Naive Credal Classifier 2: an extension of Naive Bayes Introducing NCC2 1 for

Outline Naive Credal Classifier 2: an extension of Naive Bayes Introducing NCC2 1 for

Introducing NCC2 Experimental Results Conclusions Introducing NCC2 Experimental Results Conclusions Outline Naive Credal Classifier 2: an extension of Naive Bayes Introducing NCC2 1 for delivering robust classifications Background Credal

377 views • 5 slides
Dividend Essay Plan Introduction Modigliani and Miller Dividend Irrelevance: equations:

Dividend Essay Plan Introduction Modigliani and Miller Dividend Irrelevance: equations:

Dividend Essay Plan Introduction Modigliani and Miller Dividend Irrelevance: equations: discounted cashflow formula Source and application of funds. Dividends and capital gains. Homemade dividends. 1 Lintner (1956) Survey

51 views • 4 slides
Celebration Event for Johan van Benthem, Amsterdam Syntactic Epistemic Logic Sergei Artemov

Celebration Event for Johan van Benthem, Amsterdam Syntactic Epistemic Logic Sergei Artemov

Celebration Event for Johan van Benthem, Amsterdam Syntactic Epistemic Logic Sergei Artemov Graduate Center CUNY September 27, 2014 Sergei Artemov Syntactic Epistemic Logic Abstract We offer a paradigm shift in Epistemic Logic: to view an

590 views • 48 slides
CREDAL SENTENTIAL DECISION DIAGRAMS Alessandro Antonucci, a senior researcher in

CREDAL SENTENTIAL DECISION DIAGRAMS Alessandro Antonucci, a senior researcher in

ISIPTA 2019 GHENT 03/07 ALESSANDRO ANTONUCCI, ALESSANDRO FACCHINI & LILITH MATTEI CREDAL SENTENTIAL DECISION DIAGRAMS Alessandro Antonucci, a senior researcher in probabilistic graphical models and machine learning Istituto

880 views • 54 slides
In Praise of Belief Bases: Doing Epistemic Logic without Possible Worlds Emiliano Lorini

In Praise of Belief Bases: Doing Epistemic Logic without Possible Worlds Emiliano Lorini

In Praise of Belief Bases: Doing Epistemic Logic without Possible Worlds Emiliano Lorini CNRS-IRIT, Universit e Paul Sabatier, Toulouse Workshop on Doxastic Agency and Epistemic Logic Bochum, December 2017 1 Explicit beliefs,

1.28k views • 38 slides
The Extension of Imprecise Probabilities Based on Generalized Credal Sets Andrey G. Bronevich 1 ,

The Extension of Imprecise Probabilities Based on Generalized Credal Sets Andrey G. Bronevich 1 ,

The Extension of Imprecise Probabilities Based on Generalized Credal Sets Andrey G. Bronevich 1 , Igor N. Rozenberg 2 1 National Research University Higher School of Economics, Moscow, Russia 2 JSC Research, Development and Planning Institute

557 views • 30 slides
Consumers Love Consumers Love E-commerce commerce Day 2 is stasis. Followed by irrelevance.

Consumers Love Consumers Love E-commerce commerce Day 2 is stasis. Followed by irrelevance.

Consumers Love Consumers Love E-commerce commerce Day 2 is stasis. Followed by irrelevance. Followed by excruciating, painful decline. Followed by death. And that is why it is always Day 1 . Businesses That Know and Use Data Well will be More

722 views • 22 slides
The Multilabel Naive Credal Classifier Alessandro Antonucci and Giorgio Corani {

The Multilabel Naive Credal Classifier Alessandro Antonucci and Giorgio Corani {

The Multilabel Naive Credal Classifier Alessandro Antonucci and Giorgio Corani { alessandro,giorgio } @idsia.ch Istituto Dalle Molle di Studi sullIntelligenza Artificiale - Lugano (Switzerland) http://ipg.idsia.ch ISIPTA 15, Pescara,

785 views • 27 slides
On the Complexity of Dynamic Epistemic Logic Guillaume Aucher 1 Francois Schwarzentruber 2

On the Complexity of Dynamic Epistemic Logic Guillaume Aucher 1 Francois Schwarzentruber 2

Dynamic Epistemic Logic Model checking Satisfiability problem Conclusion On the Complexity of Dynamic Epistemic Logic Guillaume Aucher 1 Francois Schwarzentruber 2 Workshop Believing, planning, acting, revising July 5, 2013 1 Universit

937 views • 60 slides
Dynamic epistemic logic Tristan Charrier Franois Schwarzentruber cole Normale Suprieure

Dynamic epistemic logic Tristan Charrier Franois Schwarzentruber cole Normale Suprieure

Discussion about modeling actions Formal definition of event models Model checking Theorem proving Epistemic planning Dynamic epistemic logic Tristan Charrier Franois Schwarzentruber cole Normale Suprieure Rennes May 13, 2019 1 / 80

1.25k views • 80 slides
Active Learning by the Naive Credal Classifier Alessandro Antonucci , Giorgio Corani ,

Active Learning by the Naive Credal Classifier Alessandro Antonucci , Giorgio Corani ,

Active Learning by the Naive Credal Classifier Alessandro Antonucci , Giorgio Corani , Sandra Gabaglio Istituto Dalle Molle di Studi sullIntelligenza Artificiale - Lugano (Switzerland) ISIN/SUPSI - Lugano (Switzerland)

743 views • 41 slides
Epistemic logics: an introduction Valentin Goranko Technical University of Denmark DTU

Epistemic logics: an introduction Valentin Goranko Technical University of Denmark DTU

Epistemic logics: an introduction Valentin Goranko Technical University of Denmark DTU Informatics November 2010 V Goranko Modal reasoning about knowledge and belief Epistemic reading of the modal operators: : the agent knows

474 views • 25 slides

More recommend