Fugu-MT 論文翻訳(概要): Stochastic Probabilistic Programs

論文の概要: Stochastic Probabilistic Programs

arxiv url: http://arxiv.org/abs/2001.02656v3
Date: Wed, 22 Jan 2020 16:02:56 GMT
ステータス: 処理完了
システム内更新日: 2023-01-13 09:59:57.297624
Title: Stochastic Probabilistic Programs
Title（参考訳）: 確率確率的プログラム
Authors: David Tolpin, Tomer Dobkin
Abstract要約: 本稿では,確率的プログラムの概念を導入し,プログラムの仕様と推論を支援する確率的プログラミング施設のリファレンス実装を提案する。確率プログラムのいくつかの例を示し、モデル仕様と推論の観点から、決定論的確率プログラムと対応する決定論的確率プログラムを比較した。
参考スコア（独自算出の注目度）: 1.90365714903665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce the notion of a stochastic probabilistic program and present a reference implementation of a probabilistic programming facility supporting specification of stochastic probabilistic programs and inference in them. Stochastic probabilistic programs allow straightforward specification and efficient inference in models with nuisance parameters, noise, and nondeterminism. We give several examples of stochastic probabilistic programs, and compare the programs with corresponding deterministic probabilistic programs in terms of model specification and inference. We conclude with discussion of open research topics and related work.
Abstract（参考訳）: 本稿では確率確率的プログラムの概念を紹介し,確率的確率的プログラムの仕様と推論を支援する確率的プログラミング施設のリファレンス実装を提案する。確率確率プログラムは、ニュアサンスパラメータ、ノイズ、非決定性を持つモデルにおいて、単純明快な仕様と効率的な推論を可能にする。確率確率確率プログラムのいくつかの例を示し、モデル仕様と推論の観点から対応する決定論的確率プログラムと比較する。オープンリサーチと関連する研究の議論から締めくくります。

関連論文リスト

dPASP: A Comprehensive Differentiable Probabilistic Answer Set Programming Environment For Neurosymbolic Learning and Reasoning [0.0]
本稿では,ニューロシンボリック推論のための新しい宣言型論理プログラミングフレームワークdPASPを提案する。非決定論的・矛盾的・不完全・統計的知識を表現できる確率論的論理プログラムのセマンティクスについて論じる。次に、いくつかのサンプルプログラムとともに、言語での推論と学習をサポートする実装されたパッケージについて説明する。
論文参考訳（メタデータ） (2023-08-05T19:36:58Z)
User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文参考訳（メタデータ） (2023-06-13T03:42:03Z)
$\omega$PAP Spaces: Reasoning Denotationally About Higher-Order, Recursive Probabilistic and Differentiable Programs [64.25762042361839]
$omega$PAP 空間は表現的微分可能および確率的プログラミング言語についての推論のための空間である。我々の意味論は、最も実践的な確率的で微分可能なプログラムに意味を割り当てるのに十分である。確率プログラムのトレース密度関数のほぼすべての微分可能性を確立する。
論文参考訳（メタデータ） (2023-02-21T12:50:05Z)
Program Analysis of Probabilistic Programs [3.299672391663527]
プログラム解析を用いて確率的プログラミングを改善するための3つの新しい手法を提案する。このテクニックは確率的プログラムを分析し、推論をより効率的にするためにそれを適用する。
論文参考訳（メタデータ） (2022-04-14T10:40:54Z)
Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文参考訳（メタデータ） (2022-01-21T02:46:57Z)
flip-hoisting: Exploiting Repeated Parameters in Discrete Probabilistic Programs [25.320181572646135]
本稿では、離散確率的プログラムにおいて繰り返しパラメータを分解し、推論性能を向上させるプログラム解析とそれに伴う最適化について述べる。既存の確率型プログラミング言語でフリップホスティングを実装し,推論性能が著しく向上することを示す。
論文参考訳（メタデータ） (2021-10-19T22:04:26Z)
Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文参考訳（メタデータ） (2021-06-03T08:32:13Z)
Probabilistic Generating Circuits [50.98473654244851]
効率的な表現のための確率的生成回路(PGC)を提案する。 PGCは、非常に異なる既存モデルを統一する理論的なフレームワークであるだけでなく、現実的なデータをモデル化する大きな可能性も示している。我々はPCとDPPの単純な組み合わせによって簡単に仮定されない単純なPGCのクラスを示し、一連の密度推定ベンチマークで競合性能を得る。
論文参考訳（メタデータ） (2021-02-19T07:06:53Z)
Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
論文参考訳（メタデータ） (2020-08-19T16:04:34Z)
Generating Random Logic Programs Using Constraint Programming [12.47276164048813]
本稿では,制約プログラミングを用いてランダムな論理プログラムを生成する手法を提案する。モデルがパラメータ値とどのようにスケールするかを示し、そのモデルを用いて確率的推論アルゴリズムを様々な合成問題で比較する。
論文参考訳（メタデータ） (2020-06-02T19:12:53Z)
Stochastically Differentiable Probabilistic Programs [18.971852464650144]
離散確率変数の存在は、多くの基本的な勾配に基づく推論エンジンを禁止している。我々はマルコフ・チェイン・モンテカルロのアルゴリズム群を用いて,このようなプログラムにおいて推論を効率的かつ堅牢に実行するための新しい手法を提案する。
論文参考訳（メタデータ） (2020-03-02T08:04:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。