使用概率编程语言 Birch 进行自动化学习
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
本文综述了机器学习、编程语言和软件工程交叉领域的研究进展,重点介绍了利用代码中大量存在的模式提出可学习概率模型的方法,并提出了基于每个模型的基本设计原理的分类法,用于研究该领域的技术、应用等方面的具体问题、挑战和机遇。
Sep, 2017
本文介绍了 Borch,这是一种建立在 PyTorch 之上的可扩展深度通用概率编程语言,旨在将概率建模的原则方法与深度神经网络的可扩展性结合起来。
Sep, 2022
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
本文通过概率编程的视角简要介绍了概率规划的概念,着重阐述了 HYPE 和 ALLEGRO 两个系统的特点,强调它们在处理概率规划中复杂建模问题方面的优势,如处理不断扩大和缩小的状态空间,离散和连续的概率分布,以及一阶设置中的非唯一先验分布等。
Jan, 2018
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
本文介绍了一种基于编译器的 PPL 推理引擎 Swift,用以提高运行效率,并通过多个实验比较表明,相较于其他 PPL 推理引擎,Swift 的运算速度有着 12 到 326 倍的提升。
Jun, 2016