論文の概要: MAP Inference for Probabilistic Logic Programming

• arxiv url: http://arxiv.org/abs/2008.01394v3
• Date: Tue, 1 Sep 2020 07:27:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 00:49:21.382688
• Title: MAP Inference for Probabilistic Logic Programming
• Title（参考訳）: 確率論理プログラミングのためのMAP推論
• Authors: Elena Bellodi, Marco Alberti, Fabrizio Riguzzi, Riccardo Zese
• Abstract要約: 我々は最大A-Posteriori(MAP)推論タスクと最も確率的説明(MPE)タスクについて検討する。 本稿では,各問題を2値決定図として表現することで,これらの課題に対処する新しいアルゴリズムを提案する。 本稿では,アノテーション付き解離を認め,MAPおよびMPE推論を行うProbLogのバージョンと比較する。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Probabilistic Logic Programming (PLP) the most commonly studied inference task is to compute the marginal probability of a query given a program. In this paper, we consider two other important tasks in the PLP setting: the Maximum-A-Posteriori (MAP) inference task, which determines the most likely values for a subset of the random variables given evidence on other variables, and the Most Probable Explanation (MPE) task, the instance of MAP where the query variables are the complement of the evidence variables. We present a novel algorithm, included in the PITA reasoner, which tackles these tasks by representing each problem as a Binary Decision Diagram and applying a dynamic programming procedure on it. We compare our algorithm with the version of ProbLog that admits annotated disjunctions and can perform MAP and MPE inference. Experiments on several synthetic datasets show that PITA outperforms ProbLog in many cases.
• Abstract（参考訳）: Probabilistic Logic Programming (PLP) では、最もよく研究されている推論タスクは、与えられたクエリの限界確率を計算することである。 本稿では,PLP設定における他の重要なタスクとして,他の変数にエビデンスを与えた確率変数のサブセットに対して最も確率の高い値を決定する最大A-Posteriori(MAP)推論タスクと,クエリ変数がエビデンス変数を補完するMAPのインスタンスである最も確率的説明(MPE)タスクを考える。 本稿では,各問題をバイナリ決定ダイアグラムとして表現し,動的プログラミング手順を適用することで,これらの課題に対処する新しいアルゴリズムを提案する。 本稿では,アノテーション付き解離を認め,MAPおよびMPE推論を行うProbLogのバージョンと比較する。 いくつかの合成データセットの実験では、PITAがProbLogより優れていることが示されている。

関連論文リスト

• Probabilistic Answer Set Programming with Discrete and Continuous Random Variables [0.18416014644193066]
  Probabilistic Answer Set Programming (PASP)は、不確実な情報を表す確率的事実でAnswer Set Programmingを拡張します。 我々はHPASP(Hybrid Probabilistic Answer Set Programming)を提案する。 本稿では,予測された回答集合列挙と知識コンパイルに基づいて,2つの正確なアルゴリズムの性能を議論し,実装し,評価する。
  論文  参考訳（メタデータ） (2024-09-30T13:24:42Z)
• 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)
• Symbolic Parameter Learning in Probabilistic Answer Set Programming [0.16385815610837165]
  本稿では,確率的集合プログラミングの形式化を解くための2つのアルゴリズムを提案する。 第一に、オフザシェルフ制約最適化ソルバを用いてタスクを解く。 2つ目は期待最大化アルゴリズムの実装に基づいている。
  論文  参考訳（メタデータ） (2024-08-16T13:32:47Z)
• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
  部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究 まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。 次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
  論文  参考訳（メタデータ） (2023-06-21T16:04:03Z)
• $\omega$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)
• SMProbLog: Stable Model Semantics in ProbLog and its Applications in Argumentation [17.71804768917815]
  SMProbLogは確率論理プログラミング言語ProbLogの一般化である。 本稿では,SMProbLogを用いて確率論的議論問題を解き明かす方法について述べる。
  論文  参考訳（メタデータ） (2021-10-05T12:29:22Z)
• pRSL: Interpretable Multi-label Stacking by Learning Probabilistic Rules [0.0]
  本稿では,確率論的命題論理則と信念伝播を用いた確率論的ルールスタックリング(pRSL)を提案し,その基礎となる分類器の予測と組み合わせる。 精度と近似推論と学習のためのアルゴリズムを導出し、様々なベンチマークデータセット上でpRSLが最先端の性能に達することを示す。
  論文  参考訳（メタデータ） (2021-05-28T14:06:21Z)
• Online Learning Probabilistic Event Calculus Theories in Answer Set Programming [70.06301658267125]
  イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。 本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。 その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
  論文  参考訳（メタデータ） (2021-03-31T23:16:29Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Planning in Markov Decision Processes with Gap-Dependent Sample Complexity [48.98199700043158]
  マルコフ決定過程における計画のための新しいトラジェクトリに基づくモンテカルロ木探索アルゴリズム MDP-GapE を提案する。 我々は, MDP-GapE に要求される生成モデルに対する呼び出し回数の上限を証明し, 確率の高い準最適動作を同定する。
  論文  参考訳（メタデータ） (2020-06-10T15:05:51Z)

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。