概率程序中的整数算术扩展
本研究关注了对指数级别集合进行求和的概率推断任务,并提出了一种基于随机生成奇偶约束模型的多项式数量级别的 MAP 推断查询的求解方法,结合迭代消息传递解码算法和整数线性规划 (ILP) 方案以及新的稀疏化技术,可以得到分割函数的下限和上限,与变分方法相比,具有更高的概率和更紧的限制。
Sep, 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
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
介绍了一种基于随机动态规划算法(RDP)的框架,可将计算状态扩展到成千上万个潜在状态,同时保持较低的偏差和方差,并且适用于多种不同的图结构和自动微分;同时,利用 RDP 训练结构化变分自编码器并在推理网络上扩展,获得了比基线更好的测试似然性和成功避免后验崩溃。
Dec, 2021
探讨了概率逻辑编程在统计关系人工智能中的具体应用及其在不同领域中的变化,解释了基于概率逻辑编程的统计关系表示随着变量域大小的复杂行为,揭示出抽象分布语义的必要性并给出了相应的具体证明。
Feb, 2021
探讨了分布语义的适用范围和计算查询概率的有效性,提出了用于将概率程序转换为普通程序,并应用 SLG 分辨率和答案包含进行计算的算法 “基于表和答案包 计算的概率推理(PITA)” 来计算查询的概率。
Oct, 2011
We introduce an exact Bayesian inference method for discrete statistical models, using a probabilistic programming language that supports both discrete and continuous sampling, and probability generating functions to compute posterior probabilities, expectation, variance, and higher moments automatically and with competitive performance.
May, 2023
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