混合概率逻辑编程:推理和学习
研究发现,虽然有已有的可扩展离散随机变量的分布语义和 PLP 语言及标准推理引擎,但是对于混合离散和连续随机变量的声明性语义还不够普及,因此本文提出了混合分布语义和混合 PLP 语言 DC-ProbLog 及其基于知识编译的推理引擎 infinitesimal algebraic likelihood weighting (IALW),这是第一个基于知识编译的混合概率编程推理算法。
Feb, 2023
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
概率逻辑编程领域集中在将概率模型整合到基于逻辑的编程语言中。我们提供了一个统一的代数逻辑编程视角,表明大部分概率逻辑编程的扩展都可以在一个共同的代数逻辑编程框架中加以表述,其中事实用半环的元素标记,而析取和合取用加法和乘法替代。这不仅适用于概率逻辑编程的变体本身,还适用于基于(代数)模型计数的底层执行机制。
Feb, 2024
本文研究了一种具有概率注释的逻辑程序,并探讨了如何通过将程序和查询转换为加权布尔公式的方式,实现计算边际值、学习参数估计等推理任务,并通过预期最大化算法实现参数估计,实验结果证明,该方法可以提高概率逻辑编程的状态水平,并从解释中学习到程序的参数。
Apr, 2013
该论文探讨了在概率约束逻辑编程中对数线性模型的研究,并将其应用到一阶概率推理中,介绍了基于标记和未标记的确定性子句确定证明概率的随机逻辑程序概率定义,通过归一化证明概率中原子公式本身的概率,扩展了相关理论,同时通过归纳逻辑编程从数据中归纳出对数线性模型的特征,最后用其他方法对其进行比较。
Jan, 2013
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
通过约束逻辑编程的框架,提出了一种新方法 CLP (BN),用于表达贝叶斯网络,该方法使用唯一的新符号 Skolem 函数表示具有未知值的对象,与 PRMs 和概率逻辑程序相关。
Oct, 2012
我们提出了一种将可区分的神经逻辑网络应用于关系强化学习领域,以解决动态连续环境中的问题。该模型更新了架构,使其能够在连续强化学习环境中解决问题,并通过引入非线性连续谓词来改进当前的归纳逻辑编程方法,允许关系强化学习代理在动态和连续的环境中进行推理和决策。
Aug, 2023
本文提出了一种用深度学习和概率逻辑构成的深度概率逻辑(DPL)框架,将标记决策建模为潜变量,并使用变分 EM 学习概率逻辑中的不确定公式权重,从而实现间接监督,通过生物医学机器阅读的实验证明了该方法的可行性。
Aug, 2018