Feb, 2022

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

PDF
TL;DR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。
probabilistic dependenciesbayesian networksasymptotic probability distributionstraining and test domainsrelational data
发现论文，激发创造
  • 统计关系学习和神经符号人工智能：一阶逻辑提供了什么？

    本文旨在以非技术的方式简要概述并表达使用（一阶）逻辑来表示（概率）知识的逻辑和哲学基础。

    Jun, 2023

  • 关系贝叶斯网络

    使用贝叶斯网络代替以前用于表示多个随机事件概率关系的知识库，它使用一种强大的方式来指定条件概率分布，提供等事件约束和复杂嵌套组合函数。

    Feb, 2013

  • 抬升的关系变分推断

    本文提出了一种高效的关系变分推断算法，用于将大规模概率混合物模型转化成简单的变分模型，以提高推理效率，并通过使用隐变量消去或抽样方式计算变分模型上的边缘概率。

    Oct, 2012

  • 关系数据的判别性概率模型

    本文提出一种基于 (条件) 马尔科夫网络的框架，可以 effectively 地训练 probabilistic relational models，并使用近似概率推断对多个相关对象进行 collective classification，从而解决了先前方法的两个限制：有向模型无法表示许多重要的关系依赖性和难以用于判别式训练。在网页分类任务上的实验证明，建模关系依赖性可以显著提高分类准确性。

    Dec, 2012

  • 关系蕴含的概率模型

    通过构建一个概率模型，该论文提出了一种新的关系推导框架，提高了在相关数据集上的推导分数；此外，该论文还提供了两个用于帮助未来研究的实用资源：一种改进的判定数据集框架和一个包含 17848 个标记实例的公共数据集，其标记的精度从 53％提高到了 95％。

    Jul, 2019

  • 一阶概率推断的新可提升类别

    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。

    Oct, 2016

  • 混合概率逻辑程序中的一阶上下文特定似然加权

    本文介绍了一种混合概率逻辑编程语言 DC#，它将分布式子句的语法与贝叶斯逻辑程序的语义原则集成到一起。该语言以质量为基础表示了三种独立性，并引入了可扩展的推理算法 FO-CS-LW，该算法是 CS-LW 的一阶扩展，结合了一阶统一和规则组合。

    Jan, 2022

  • 从关联数据中诱导可解释的可能逻辑理论

    提出了一种使用可能性逻辑来编码关系模型的统计关系学习方法，该方法相对于马尔可夫逻辑网络更快且产生的模型更容易解释。

    May, 2017

  • 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

  • 基于公式的概率推断

    本文提出了精确算法和近似算法，以及相应的公式分解和条件概率以及基于模型计数的概率推断方法，并展示了其在实验中的实际有效性，特别是相比于最先进方案，本文提出的算法可以利用公式结构信息大大提高效率。

    Mar, 2012