PITA 系统:带表和答案包含的不确定推理
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
本文探讨了在概率逻辑编程中计算最大后验概率和最可能解释的问题,并提出了一种将问题表示为二叉决策图并在其上应用动态规划过程的新算法,与 ProbLog 在多个合成数据集上的实验结果相比,PITA 的性能更佳。
Aug, 2020
本文扩展了 ProbLog 语言,增加了 “What if” 查询的功能,并提出了一种能够处理 ProbLog 程序的反事实查询的方法,同时提供了完整的实现以及对查询可扩展性的影响的洞见,并显示了该方法与具有析取注释的逻辑程序的因果语义一致。
May, 2023
概率逻辑编程领域集中在将概率模型整合到基于逻辑的编程语言中。我们提供了一个统一的代数逻辑编程视角,表明大部分概率逻辑编程的扩展都可以在一个共同的代数逻辑编程框架中加以表述,其中事实用半环的元素标记,而析取和合取用加法和乘法替代。这不仅适用于概率逻辑编程的变体本身,还适用于基于(代数)模型计数的底层执行机制。
Feb, 2024
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
探讨了概率逻辑编程在统计关系人工智能中的具体应用及其在不同领域中的变化,解释了基于概率逻辑编程的统计关系表示随着变量域大小的复杂行为,揭示出抽象分布语义的必要性并给出了相应的具体证明。
Feb, 2021
定义了一种适用于建模不确定、不完整和不一致信息的可能性析取逻辑编程方法,并介绍了可能性析取子句的使用,该子句能够同时捕捉知识库的不完全信息和不完全状态;同时基于经典答案集语义和可能性逻辑证明理论构建可能性逻辑编程语义,对于不一致可能性逻辑程序的管理,采用偏好标准和切割方法进行篡改,并以医学场景为例进行了说明。
Jun, 2011