混合非确定性 - 概率自动机:将图形概率模型与非确定性融合
研究了 DAG 自动机作为概率模型的可行性,结果表明,通过赋予转换权重,一些单根,多根和无界的 DAG 自动机不能作为有用的概率模型,并且这种问题似乎是普遍存在的,但平面变体不受此影响,但这些变体有其他问题。
Oct, 2018
本文综述了概率模型检测在 PRISM 和 PRISM-games 模型检查器支持下的可观测和不可观测马尔可夫决策过程、顺序和并发随机博弈以及相关概率时态逻辑,以及其在自主系统中的应用,并探讨了未来研究方向和挑战。
Nov, 2021
提出一个计算高效的数据驱动式混合自动机建模方法,基于多个神经网络来捕捉未知复杂系统的行为,并且采用区间分析和分裂合并过程来提供集值可达性分析,以减少可达集计算的计算成本同时不影响建模精度。
Apr, 2023
本研究介绍了神经图模型,该模型采用神经网络作为多任务学习框架,通过表示节点之间的依赖结构及其复杂的函数表示来捕获特征之间的完整的复杂依赖关系,并提供 NGMs 的有效学习、推理和采样算法。NGMs 可以适应包括有向、无向和混合边缘图在内的通用图结构,可以处理混合输入数据类型。经验研究表明,NGMs 能够代表高斯图模型,并从由 CDC 提供的真实世界婴儿死亡数据中提取见解。
Oct, 2022
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
本文提出了一种将 Belief Propagation 算法扩展到量子网络的方法,并研究了量子 Markov Networks 的结构,探讨了使用量子 Belief Propagation 作为一种启发式算法的可能性。最后,描述了该方法在量子纠错编码和模拟多体量子系统中的应用。
Aug, 2007
该研究提出了一种关于动作的概率推理语言 {m P}{cal C}+,是动作语言 {cal C}+ 的一种推广形式,能够处理行为的概率和不确定性影响,并利用历史和信念状态的概念,简明地阐述了该形式主要研究内容。
Oct, 2012
在过去的文献中,非均匀的多项式大小有限自动机被用来解决非均匀的承诺决策问题。我们重点关注非确定性有限自动机的变体,它们具有至多一个(无歧义的)、多项式多个(少量的)接受计算路径,或者无歧义 / 少量计算路径导致每个固定配置。当这些机器仅能进行单向头移动时,可以证明在没有未经证明的困难假设的情况下,其中一些变体在计算能力上与其他变体不同。至于限制在多项式有界长度的实例上的两向机器,双向多项式大小的非确定性有限自动机和多项式大小的无歧义有限自动机在计算能力上是等效的。
Nov, 2023
本篇研究开发了概率编程语言(PPLs)的度量叙事贝叶斯网络(MTBNs)的概念,并使用它来提供更多的语义,包括有限的支持组合离散和连续元素的随机变量。最终将 MTBNs 集成到广泛使用的概率编程语言系统 BLOG 中,并通过代表性的算例验证了新的推理算法的有效性。
Jun, 2018
提出了一种将概率图模型和深度学习相结合的模型框架,通过将神经网络用于观测模型,提高了潜在变量的图形结构;针对推断,使用了可视化的自编码器,利用识别网络输出共轭潜力的图形模型近似分布;所有的这些模型组件都是同时学习的,从而得到了一种可扩展的算法,利用了随机变分推断、自然梯度、图形模型信息传递和重参数化技巧。此模型框架的示例模型和应用程序向小鼠行为表型学方法提出了有效的解决方案。
Mar, 2016