符号-统计建模中逻辑程序的参数学习
探讨了分布语义的适用范围和计算查询概率的有效性,提出了用于将概率程序转换为普通程序,并应用SLG分辨率和答案包含进行计算的算法“基于表和答案包 计算的概率推理(PITA)”来计算查询的概率。
Oct, 2011
本文旨在开发高效的推理算法,将概率逻辑程序和查询、证据转换为加权CNF公式,将推理任务视为加权模型计数,使用最先进的方法探究多种程序转换和加权CNF推理方法,并在实验中展示了新方法相对于现有技术的优势。
Feb, 2012
本研究介绍了基于变量消除和重要性采样的精确和近似概率推理算法,并展示了如何使用SLPs股票机器学习的先验分布,包括逻辑程序和贝叶斯网结构。作者还应用Metropolis-Hasting算法,构建了一个从后验分布中采样的马尔科夫链,同时讨论了构建后验明确表示的可能性。
Jan, 2013
本文研究了一种具有概率注释的逻辑程序,并探讨了如何通过将程序和查询转换为加权布尔公式的方式,实现计算边际值、学习参数估计等推理任务,并通过预期最大化算法实现参数估计,实验结果证明,该方法可以提高概率逻辑编程的状态水平,并从解释中学习到程序的参数。
Apr, 2013
本文提出了一种算法(SLIPCOVER)用于通过在概率子句和理论空间中执行波束和贪婪搜索来进行概率逻辑程序的结构学习,并使用数据的对数似然作为指导启发式算法。该算法已在五个实际数据集上进行了测试,并与其他算法进行评估。
Sep, 2013
本文介绍了一种混合概率逻辑编程语言 DC#,它将分布式子句的语法与贝叶斯逻辑程序的语义原则集成到一起。该语言以质量为基础表示了三种独立性,并引入了可扩展的推理算法 FO-CS-LW,该算法是 CS-LW 的一阶扩展,结合了一阶统一和规则组合。
Jan, 2022
通过分离自由随机组分和确定性部分抽象逻辑编程的核心思想,我们推广了支持概率逻辑编程的分布语义,包括从概率数据库、概率有限模型论和离散抬升贝叶斯网络框架,证明了确定性部分的一个有限的碎片足以表示所有可在广义分布语义中表示的投影分布族,但表明了许多有趣的投影分布族不能被表示在广义分布语义中。
Nov, 2022
研究发现,虽然有已有的可扩展离散随机变量的分布语义和PLP语言及标准推理引擎,但是对于混合离散和连续随机变量的声明性语义还不够普及,因此本文提出了混合分布语义和混合PLP语言DC-ProbLog及其基于知识编译的推理引擎infinitesimal algebraic likelihood weighting (IALW),这是第一个基于知识编译的混合概率编程推理算法。
Feb, 2023
本研究探讨了统计关系人工智能领域中的参数学习问题,提出了两种新算法以高效学习概率逻辑程序中的事实概率。通过提取符号方程表示解释的概率,这些算法在解决方案质量和执行时间上均超越了现有方法,为概率答集合编程提供了重要进展。
Aug, 2024