针对进行预测的程序的推论
本研究提出了一种新算法,基于随机梯度的变分程序来进行概率编程中的近似推理,特别适用于高度结构化的分布。我们展示了如何自动推导平均场概率程序并优化它们,并证明我们的方法比其他算法提高了推理效率。
Jan, 2013
本文介绍一种可以从视频演示中提取概括性规则的模型,并探讨了其处理多个序列的能力,从而相较于传统的概括技术可以更好地利用边缘情况,并无需进行额外的过滤。通过在 Vizdoom 环境中合成程序的实验,取得了相对于现有工作的 11.75% 的程序准确性的提升。
Feb, 2023
本文介绍一种用于程序自动合成的方法,通过结合模式识别和显式推理来解决这些复杂的编程问题,同时使用新颖的中间表示和训练算法,使程序合成系统能够自学,从而在简单的英文描述编程问题数据集上取得了最先进的性能表现。
Feb, 2019
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
使用贝叶斯综合技术,通过概率领域专用数据建模语言自动生成概率计算程序进行数据分析、解释和预测,并应用于时间序列数据和多元表格数据的分析,结果表明该技术可以准确推断多个真实世界数据的定性结构,优于标准的数据分析方法。
Jul, 2019
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
我们提出了概率神经程序 —— 一个编程归纳框架,它允许灵活指定计算模型和推断算法,同时启用深度神经网络。概率神经程序将用于指定神经网络的计算图与加权非确定性选择操作符结合起来,从而既描述了一组决策,又描述了用于做出每个决策的神经网络架构。我们在一个具有挑战性的图表问答任务上评估了该方法,发现相对于基线模型,概率神经程序可以正确执行近两倍的程序。
Dec, 2016
本文分析了得分估计器作为最基础和多功能的变分推理算法,并利用语义学和程序分析中的工具来阐述这个算法在程序中的作用,揭示出算法所做假设的内在局限性,提出了证明这些假设的规则,并用非平凡的连续数学事实来代替假设中的积分要求,最终发展了一种运用静态程序分析来满足假设条件的方法,并应用于 Pyro 中的八个代表性模型中,表明这种方法是可行的。
Jul, 2019