随机逻辑程序:采样、推理及应用
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
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
本文研究基于 Sato 分布语义的概率逻辑程序,分析了基于稳定和基于良基模型这两种语义,探讨了 credal 语义产生的概率模型集合是无限单调 Choquet 容量的结果产生的几个有用的结果,并研究了其推理和查询的复杂度。作者对此进行了详细说明,并对无环、分层、周期性的命题和关系程序,提出了推理和查询复杂度的结果,该复杂度达到各种计数层次和指数级别。
Jan, 2017
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
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
介绍和证明了一个基于粒子马尔可夫蒙特卡罗的新的推理方法。该方法适用于图灵完备的概率编程语言,支持使用复杂控制流(包括随机递归)的模型的准确推理,并包括来自贝叶斯非参数统计的基元。实验证明,该方法比之前介绍的单一站点 Metropolis-Hastings 方法更有效。
Jul, 2015