論文の概要: Generating Random Logic Programs Using Constraint Programming
- arxiv url: http://arxiv.org/abs/2006.01889v2
- Date: Fri, 11 Sep 2020 16:40:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 00:46:39.574379
- Title: Generating Random Logic Programs Using Constraint Programming
- Title（参考訳）: 制約プログラミングを用いたランダム論理プログラムの生成
- Authors: Paulius Dilkas, Vaishak Belle
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.47276164048813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Testing algorithms across a wide range of problem instances is crucial to
ensure the validity of any claim about one algorithm's superiority over
another. However, when it comes to inference algorithms for probabilistic logic
programs, experimental evaluations are limited to only a few programs. Existing
methods to generate random logic programs are limited to propositional programs
and often impose stringent syntactic restrictions. We present a novel approach
to generating random logic programs and random probabilistic logic programs
using constraint programming, introducing a new constraint to control the
independence structure of the underlying probability distribution. We also
provide a combinatorial argument for the correctness of the model, show how the
model scales with parameter values, and use the model to compare probabilistic
inference algorithms across a range of synthetic problems. Our model allows
inference algorithm developers to evaluate and compare the algorithms across a
wide range of instances, providing a detailed picture of their (comparative)
strengths and weaknesses.
- Abstract（参考訳）: 幅広い問題インスタンスにわたるアルゴリズムのテストは、あるアルゴリズムが他のアルゴリズムよりも優れているという主張の妥当性を保証するために不可欠である。
しかし、確率論的論理プログラムの推論アルゴリズムに関しては、実験的な評価は少数のプログラムに限られる。
ランダム論理プログラムを生成する既存の方法は命題プログラムに限定され、しばしば厳格な構文制限を課される。
本稿では,確率分布の独立構造を制御する新しい制約を導入することにより,制約プログラミングを用いたランダム論理プログラムと確率論理プログラムを生成する新しい手法を提案する。
また,モデルの正確性に関する組合せ引数を提供し,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,モデルを用いて様々な合成問題に対する確率的推論アルゴリズムを比較する。
私たちのモデルは、推論アルゴリズム開発者が幅広いインスタンスにわたってアルゴリズムを評価し比較し、その(比較的)長所と短所の詳細な図を示します。
関連論文リスト
- Solving Decision Theory Problems with Probabilistic Answer Set Programming [1.4999444543328293]
本稿では,確率的解答集合プログラミングを用いて決定論問題を符号化する可能性を紹介する。
我々のアルゴリズムは、プログラムの非自明なインスタンスを妥当な時間で管理できる。
論文 参考訳（メタデータ） (2024-08-21T06:44:16Z) - Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
論文 参考訳（メタデータ） (2023-12-19T13:17:43Z) - Marginal Inference queries in Hidden Markov Models under context-free
grammar constraints [0.348097307252416]
隠れモデル(HMM)における文脈自由文法(CFG)の可能性の計算問題に対処する。
問題は NP-Hard であり、CFG が 2 以下のあいまいさの次数を持つという約束があるにもかかわらずである。
次に,不明瞭なCFGの場合の確率を近似するために,完全ランダム化近似法を提案する。
論文 参考訳（メタデータ） (2022-06-26T12:44:18Z) - An Application of a Multivariate Estimation of Distribution Algorithm to
Cancer Chemotherapy [59.40521061783166]
癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。
より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。
我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
論文 参考訳（メタデータ） (2022-05-17T15:28:46Z) - 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) - Logical Credal Networks [87.25387518070411]
本稿では,論理と確率を組み合わせた先行モデルの多くを一般化した表現的確率論的論理である論理的クレダルネットワークを紹介する。
本稿では,不確実性のあるマスターミンドゲームを解くこと,クレジットカード詐欺を検出することを含む,最大後部推論タスクの性能について検討する。
論文 参考訳（メタデータ） (2021-09-25T00:00:47Z) - A Unified View of Algorithms for Path Planning Using Probabilistic
Inference on Factor Graphs [2.4874504720536317]
この研究は、様々なコスト関数から生じる特定の再帰について考察し、スコープに類似しているように見えるが、少なくとも典型的な経路計画問題に適用した場合に違いがある。
確率空間とログ空間の両方で提示されるこの統一されたアプローチは、Sum-product、Max-product、Dynamic Programming、混合Reward/Entropy基準に基づくアルゴリズムを含む非常に一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2021-06-19T07:13:15Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。
我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文 参考訳（メタデータ） (2020-07-07T07:34:09Z) - An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。
特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。
提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文 参考訳（メタデータ） (2020-06-18T20:09:53Z) - Stochastic Probabilistic Programs [1.90365714903665]
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。
論文 参考訳（メタデータ） (2020-01-08T17:54:40Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。