概率逻辑推理
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
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
本文提出了一个基于 Answer Set Prolog 作为逻辑基础、以因果贝叶斯网络为概率基础的声明式语言 P-log,用于知识表示和知识更新,并给出了多个例子表明更新方法更加优越。同时,论文给出了实现 P-log 程序的充分条件,并证明了 Bayes nets 的易于映射到符合条件的 P-log 程序上。
Dec, 2008
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
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
本文提出了一种将概率论争框架解释为概率逻辑程序的方法,并引入了 smProbLog 框架,它支持多种推断和学习任务,提供了新的概率论争工具,并证明了算法的计算成本。
Apr, 2023