概率神经程序
该研究介绍了一种使用深度神经网络在概率编程模型中分摊推断成本的方法,并将深度学习与概率编程方法的优势相结合。这种名为 “编译推断” 的方法将用通用编程语言编写的概率程序的语义规范转换为用神经网络规范语言表示的训练过的神经网络,从而实现了原始模型的近似推断。
Oct, 2016
本研究提出了一种新颖的神经程序模型(Neural Programmer),该模型扩展了具有少量基本算术和逻辑运算的不可区分神经网络,此模型可以在多个步骤中调用这些扩展操作,因此产生的组成程序比内置操作更复杂。该模型采用相对较弱的监督信号进行训练,不需要昂贵的编写正确程序的注释,经过训练在很复杂的综合表理解数据集中取得了几乎完美的准确度。
Nov, 2015
概率编程是一种允许编写统计模型、通过运行这些模型进行模拟,并利用强大的推理引擎分析和改进它们的统计行为的编程范式。本文介绍了将数据 Petri 网(DPNs)系统地转化为使用大多数概率编程系统支持的概率编程语言模型的方法。我们证明了我们的转化方法是可靠的,并可以提供模拟 DPNs 的统计保证。此外,我们讨论了概率编程在过程挖掘任务中的应用,并报告了我们的转化方法的原型实现。我们还讨论了基于所提出的转化方法和现有的概率编程工具可以轻松实现的进一步分析场景。
Jun, 2024
本书介绍了概率编程的基础和技术,主要包括概率编程语言的设计和构建、基础推理算法和高阶概率编程语言、概率编程与可微分编程的交叉应用,尤其是深度概率编程系统的设计与语言特性对其的影响。
Sep, 2018
本研究提出了一种新的概率神经符号模型,其拥有作为潜在随机变量的符号功能程序,并在视觉问题回答的背景下实例化,相比之前的神经符号模型,我们的模型提供了两个关键概念上的优势,第一,我们的模型生成的程序更易理解,需要较少的教学示例; 第二,我们展示了我们可以向该模型提出反事实情景,来探究其对于给定图像可以导致特定答案的程序的信念,我们对 CLEVR 和 SHAPES 数据集的结果验证了我们的假设,在低数据情况下,模型具有更好的方案(和答案)预测准确性,并允许人们探究所执行推理的连贯性和一致性。
Feb, 2019
该论文提出了一个使用概率编程工具与物理模拟引擎相结合的框架,用于向机器人提供直观的物理环境交互能力,并通过模型自由方法使采样程序变得更高效,从而在模型自由方法和模型为基础的方法之间找到平衡,并通过模拟 Flappy Bird 游戏的实验结果,展示了该模型的绩效。
Apr, 2021