关键词probabilistic reasoning
搜索结果 - 38
- 语言模型能进行概率推理的可能性
评估语言模型在概率推理能力上的表现，并通过使用理想化和真实统计分布的方式进行系统评估，包括估计百分位数、生成样本和计算概率等三个任务。我们发现，语言模型通过对分布进行推断，并结合真实世界的背景、示例和简化假设等方式可以提高推理能力。我们还开 - 关于概率神经符号学习的难度
纯神经学习的局限性引发了对概率神经符号模型的兴趣，这些模型将神经网络与概率逻辑推理相结合。我们研究了不同 iating to withging 行概率推理的复杂性。我们证明了尽管在一般情况下近似这些梯度是棘手的，但在训练过程中变得可行。此外 - ICLR通过概率推理实现逻辑一致的语言模型
通过引入基于原则的概率推理训练目标，本研究改进了大型语言模型的逻辑一致性和新知识推理能力。
- 神经符号分类技术的概率推理复杂性
神经符号人工智能是一个不断发展的研究领域，旨在将神经网络学习能力与符号系统的推理能力相结合。知情多标签分类是神经符号人工智能的一个子领域，研究如何利用先前知识改进神经分类系统。该论文介绍了一个信息驱动的监督分类任务和技术的形式化描述，并基于 - 神经符号学习中的独立性假设
神经符号学习系统应用概率推理指导神经网络，以满足符号上的逻辑约束。然而，多数系统基于条件独立性假设以简化学习和推理，我们研究并批评了这一假设，指出它可能阻碍优化和使不确定性无法量化，因此我们证明了损失函数会导致条件独立神经网络过于自信，无法 - 生成式大型语言模型中的概率推理
本研究考虑了大型语言模型（LLMs）在推理涉及概率值明确量化的文本时面临的挑战。通过引入贝叶斯语言推理数据集（BLInD），我们详细说明了 LLMs 在涉及概率推理的任务中的限制，并提出了几种将问题映射到不同形式表示的策略。我们通过在 BL - 神经符号学习系统中的优化
神经符号 AI 旨在将深度学习与符号 AI 相结合，以减少训练神经网络所需的数据量，提高模型给出答案的可解释性和可解性，并验证经过训练的系统的正确性。我们研究神经符号学习，既有使用符号语言表示的数据，也有背景知识。通过模糊推理、概率推理以及 - 使用 Tsetlin 机从数据中生成贝叶斯网络模型
本文提出了一种初步的探索网络结构的方法，该方法利用了 Tsetlin Machines 进行 Bayesian Networks 建模并处理相关性和因果关系。
- 具有时间性质的生成逻辑：超越逻辑一致性和统计可能性
该论文提出了一种简单的推理理论，用来从数据中完全推理符号知识。采用贝叶斯方法模拟数据如何导致符号知识，符号知识的概率推理被建模为正向与反向因果推理的过程。该理论应用于机器人本地化问题，研究表明机器人在完全基于数据的情况下，即使传感器出现故障 - 超级 CLEVR：诊断视觉推理领域鲁棒性的虚拟基准测试
通过 Super-CLEVR 虚拟基准测试数据，我们研究了不同领域转移的因素，考察了四种现有的 VQA 方法，两种神经符号方法和两种非符号方法以及我们提出的方法 P-NSVQA，发现结合不确定性推理，将推理和感知分离形成一个强大的基于视觉与 - 探究神经语言模型对高概率词汇理解的能力
本研究使用 UNLI 数据集测试自然语言处理模型对概率表述的预测能力，构建了基于概率推理的数据集来测试模型的推理能力，并发现对自然语言处理模型进行微调能提高模型的性能。
- MM基于 Swift Markov 逻辑的知识图谱概率推理
本篇论文提出了 Soft Vadalog 这一基于概率的 Vadalog 扩展框架，将其用于解决数据管理和工业领域问题，并采用 MCMC Chase 方法进行实用化探索。
- Tyche：Python 中的概率推理和信念建模库
该论文介绍了 Tyche Python 库，通过构建、查询和学习信念模型，在不确定的世界中促进概率推理。Tyche 使用 aleatoric 描述逻辑，可以通过定义个体类、对它们的概率信念（概念）和它们之间的概率关系（角色）简洁地创建信念模 - 多层智能环境下多用户个性化智能辅助生活室内定位
作者提出了一种多功能跨学科框架，用于基于概率推理的数学方法对个体用户进行建模，机器学习对用户特定的用户交互进行建模，以及引入了渐进提升和 AdaBoost 算法等多个算法以实现室内定位。该框架引入了两种新功能，可为室内定位提供语义上下文，并 - plingo: 一种基于 lpmln 的 Clingo 概率推理系统
Plingo 是基于 ASP 的 LP^MLN 的概率扩展，并可以映射到优化问题，提供了三种使用不同输入语言和推理模式的前端。通过基于新的方法的近似技术，将 LP^MLN 重新实现为现代 ASP 技术的核心。我们通过与其他概率系统进行比较， - 一种基于逻辑的可计算概率近似方法
我们提供了一种逻辑框架，其中资源受限的智能体可以执行概率推理的近似，并且我们的结果表明，在有限制的情况下，我们对概率的近似可以导致不确定的推理，其在该领域的通常假设下，可以被认为是易处理的。
- 解决渡鸦先知测试的神经矢量符号架构
利用我们提出的神经向量符号架构（NVSA）对 Raven's 渐进矩阵数据集进行端到端训练，N VSA 的平均准确率达到了 87.7％，而 I-RAVEN 数据集则为 88.1％。与神经符号方法内的符号推理相比，NVSA 的概率推理具有两个 - 概率充分解释
本研究提出了概率充分解释的理念，即通过 “足够简单” 的特征子集来 “足以” 解释分类行为，并结合可扩展的概率推理算法设计出可行的实现方案。实验证明，本算法找到的充分解释更有效，且优于基准模型 Anchors 和逻辑解释。
- AAAI比较概率推理的优先结构
本文探讨了关于不确定性的定性和定量方法可能导致不同的逻辑系统，即使表达不确定性的语言相同。本文重点研究关于相对概率的推理问题，我们发现，在使用预序偏好结构的标准定性方法和使用概率测度的定量方法之间存在显著的逻辑系统差异。我们提出了一种自然的 - MM在线学习概率事实演算理论在答案集编程中的应用
介绍了一种基于 ASP 的、能够通过权重规则进行概率推理的复杂事件识别系统，可应用于活动识别等领域，并与多种现有算法进行了比较，并证明了其在效率和预测性能方面的优越性。