逻辑信念网络中的马尔可夫条件和因子分解
本研究提出了半马尔可夫模型的因子化准则,该准则等同于(自然扩展的)d - 分离给出的全局马尔可夫性质,以表示由具有潜在变量的 DAG 模型诱导的观察边际的条件独立结构。
Jun, 2014
本文提出了一种基于逻辑程序的形式化语言 MANCaLog,该语言满足了前人提出的关于在复杂网络中进行推理的建议,重点研究了社交网络中确定组成员身份的问题,并提出了一种方法来达到更好的社交网络挖掘效果。
Sep, 2022
本文介绍了两种最受欢迎的图模型:贝叶斯网络和马尔科夫随机场,并提出了一种新的图模型 —— 因子图。因子图可以将贝叶斯网络和马尔科夫随机场的优点结合起来,并采用单一的消息传递算法进行概率推断。另外,因子图是贝叶斯网络和马尔科夫随机场的严格超集。
Oct, 2012
研究马尔可夫逻辑网络(MLN)的表达能力,引入了使用复合价格的复合 MLN,并表明与具有实际价格的标准 MLN 不同,复杂的 MLN 是完全表达的。观察到离散傅里叶变换可以使用具有复合权重的加权一阶模型计数(WFOMC)来计算,并使用此观察结果设计了一种算法,用于计算关系边际多面体,其需要 WFOMC 神谕的呼叫要少得多比最近的算法。
Feb, 2020
利用核对象的条件独立性分解和变量消除的辅助计算方式,定义一套有向无环混合图模型和 Tian 等人提供的约束条件,并证明 DAG 模型的边缘分布属于该模型,最后阐明该模型中对于隐藏变量因果 DAG 模型识别的简单性质。
Jan, 2017
本论文提出了 LogicalFactChecker,这是一种基于神经网络的方法,能够利用逻辑操作来进行事实检查,并且在 TABFACT 数据集上实现了最先进的性能,通过 Transformer-based 架构构建基于图形模块网络的异构图使得每个单词在语句、表格和程序中的相关上下文都能被观察到,并通过程序驱动的模块网络进一步利用了程序的层次结构。
Apr, 2020
介绍了一种神经马尔可夫逻辑网络 (NMLNs) 的统计关系学习系统,其借鉴了马尔可夫逻辑的思想,通过神经网络隐式表示逻辑规则作为关系结构上的潜在势函数,克服了基于神经符号方法的嵌入缺失等问题,在知识库补全、三元组分类和分子 (图) 数据生成方面有较大的应用潜力。
May, 2019
本文使用范畴论方法对因果模型进行了分类处理,从 “纯因果” 的角度定义了因果独立 / 分离、因果条件等重要概念,并产生了一个核心部分的语法版本的 syntactic do-calculus 在所有因果模型中继承。
Apr, 2022