NIPSOct, 2016

一阶概率推断的新可提升类别

PDF
TL;DR在这篇论文中，我们研究了域递推推理规则，它被认为是冗余的。我们发现，这个规则比预期的更强大，并且实际上显著扩展了模型的范围，其中一些模型的抬升推理时间多项式增长。我们还确定了新的域可抬升理论类别，其中一些理论的使用域递推可以实现指数加速。
statistical relational modelslifted inferencedomain recursion inference ruleprobabilistic dependenciesexchangeable objects
发现论文，激发创造
  • 超越一阶逻辑的提升推理

    据我们展开的 C² 的领域扩展，任何 C² 句子在其关系受限于表示有向无环图、连通图、树（或有向树）、森林（或有向森林）时仍保持领域可提升，这提供了一个计算组合结构的通用框架。

    Aug, 2023

  • 关系域中的提升因果推断

    利用参数因果因子图的抬升推断算法，在概率图模型中加速计算关系领域的因果效应。

    Mar, 2024

  • 概率定理证明

    该论文提出了一种将概率论和第一阶逻辑相结合的方法，在有限域内具有 Herbrand 解释的情况下，定义了概率证明定理及其推广问题，然后提出了能够同时拥有图模型推理和一阶定理证明的完整能力的方法，并开发了一种高效算法。实验表明，当逻辑结构存在时，该算法远优于目前已有的方法。

    Feb, 2012

  • 朝着完全抬升的基于搜索的概率推理

    本文研究了提升概率推断在关系概率模型中的应用，以及在没有对未明确提及的个体进行单独推理的情况下，如何避免共性推理的现象，同时给出了两个主要结果：一般情况下，需要对个体进行单独推理，而当使用基于无限制参数随机变量的方法进行推理时，这个情况也可以避免。

    Jul, 2011

  • 理解提升推理和非对称加权模型计数的复杂性

    本文研究了解析式权重一阶模型计数问题的 Lifted Inference 问题，通过提供一些结论，针对解析式的约束进行了分析讨论，并探讨了在对称概率性数据库中采用 Lifted Inference 的局限性和复杂性。

    May, 2014

  • 探索概率关系模型中的未知宇宙

    本文旨在提出一种适用于具有未知宇宙的模型的语义模型，以实现解耦与特定约束语言，从而实现提升推理和从而使其具有可处理的推理的优势。

    Jan, 2020

  • 基于相对频率的统计关系人工智能：跨领域规模建模和转移学习的贡献

    该研究介绍了两种形式化方法，将相对频率明确地纳入统计关系人工智能中，并提供了两种形式主义在不断扩大的域上诱导的渐近概率分布的表示，这有助于更好地对训练和测试域大小不同的学习问题进行建模和估算参数。

    Feb, 2022

  • 概率逻辑编程的升级变量消除

    本文提出 LP$^2$ 算法来解决概率逻辑编程中的查询问题。LP$^2$ 是通过将 Generalized Counting First Order Variable Elimination (GC-FOVE) 转换为 Prolog Factor Language (PFL) 实现的，并增加了两个新的操作符来处理异构因子。结果表明该方法有潜力超过 PITA 和 ProbLog2。

    May, 2014

  • 提升式概率推理中的约束处理

    第一阶概率模型结合了一阶逻辑的表征能力和图形模型，有关设计第一阶概率模型的 lifted 推断算法的工作在继续进行中。从约束处理的角度分析 lifted 推断，并通过这个视点分析和比较现有方法的优缺点，理论证明了约束处理方法的错误选择可能会导致计算复杂度的指数增加。实证测试证实了 lifted 推断中约束处理的重要性。这是第一个关于 lifted 推断中约束处理的理论和实证研究。

    May, 2012

  • 提升后的图模型：一项调查

    该文章综述了关于提升图模型的工作。它介绍了提升图模型的一般形式，即 par - 因子图，并展示了许多现有的统计关系表达式如何映射到这种形式。文章讨论了包括提升推断算法在内的推理算法，它们可以高效地计算概率查询的答案。此外，文章还回顾了从数据中学习提升图模型的研究工作。我们相信在未来数十年中，对于统计关系模型（不管叫什么名字）的需求将会增加，因为我们将面对各种结构化和非结构化数据的混合，这些数据以一种嘈杂的方式从文本中提取出实体和关系，并且需要有效地处理这些数据。我们希望这篇综述可以为这个扩展领域的新研究者提供一个可访问的起点。

    Jul, 2011