論文の概要: Transforming Probabilistic Programs for Model Checking

• arxiv url: http://arxiv.org/abs/2008.09680v1
• Date: Fri, 21 Aug 2020 21:06:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 21:20:25.446707
• Title: Transforming Probabilistic Programs for Model Checking
• Title（参考訳）: モデルチェックのための確率的プログラム変換
• Authors: Ryan Bernstein, Matthijs V\'ak\'ar, Jeannette Wing
• Abstract要約: 確率的プログラムに静的解析を適用し、2つの重要なモデル検査手法の大部分を自動化する。 本手法は,密度関数を指定する確率的プログラムを,効率的なフォワードサンプリング形式に変換する。 本稿では,一般的なStan確率型プログラミング言語を対象とする実装を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic programming is perfectly suited to reliable and transparent data science, as it allows the user to specify their models in a high-level language without worrying about the complexities of how to fit the models. Static analysis of probabilistic programs presents even further opportunities for enabling a high-level style of programming, by automating time-consuming and error-prone tasks. We apply static analysis to probabilistic programs to automate large parts of two crucial model checking methods: Prior Predictive Checks and Simulation-Based Calibration. Our method transforms a probabilistic program specifying a density function into an efficient forward-sampling form. To achieve this transformation, we extract a factor graph from a probabilistic program using static analysis, generate a set of proposal directed acyclic graphs using a SAT solver, select a graph which will produce provably correct sampling code, then generate one or more sampling programs. We allow minimal user interaction to broaden the scope of application beyond what is possible with static analysis alone. We present an implementation targeting the popular Stan probabilistic programming language, automating large parts of a robust Bayesian workflow for a wide community of probabilistic programming users.
• Abstract（参考訳）: 確率的プログラミングは信頼性と透過的なデータサイエンスに完全に適しており、ユーザーはモデルの適合性の複雑さを気にすることなく、高レベルの言語でモデルを指定できる。 確率的プログラムの静的解析は、時間消費とエラーが発生しやすいタスクを自動化することによって、高レベルのプログラミングスタイルを実現するさらなる機会を提供する。 確率的プログラムに静的解析を適用し,事前予測チェックとシミュレーションに基づくキャリブレーションという2つの重要なモデルチェック手法の大部分を自動化する。 本手法は,密度関数を指定する確率プログラムを効率的なフォワードサンプリング形式に変換する。 この変換を実現するために,静的解析を用いて確率論的プログラムから因子グラフを抽出し,satソルバを用いて有向非循環グラフの集合を生成し,適切なサンプリングコードを生成するグラフを選択し,1つ以上のサンプリングプログラムを生成する。 ユーザインタラクションの最小化により、静的解析だけで可能な範囲を超えて、アプリケーションの範囲を広げることができます。 我々は,人気のある stan probabilistic programming language をターゲットとした実装を提案し,確率的プログラミングユーザの幅広いコミュニティに対して,堅牢なベイズワークフローの大部分を自動化する。

関連論文リスト

• 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)
• Toward Trustworthy Neural Program Synthesis [6.3557174349423455]
  本研究では,大規模言語モデルからサンプルしたプログラムが正しい確率を推定する手法を開発する。 プログラミング問題の自然言語記述を前提として,本手法では,プログラムの振る舞いを規定する候補述語だけでなく,候補プログラムも抽出する。
  論文  参考訳（メタデータ） (2022-09-29T20:32:07Z)
• Reliability analysis of discrete-state performance functions via adaptive sequential sampling with detection of failure surfaces [0.0]
  本稿では,レアイベント確率推定のための新しい効率的でロバストな手法を提案する。 この手法は、複数の障害タイプの確率を推定することができる。 この情報に対応して、推定確率の精度を高めることができる。
  論文  参考訳（メタデータ） (2022-08-04T05:59:25Z)
• 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)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• 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)
• Searching for More Efficient Dynamic Programs [61.79535031840558]
  本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。 実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
  論文  参考訳（メタデータ） (2021-09-14T20:52:55Z)
• 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)
• How to Design Sample and Computationally Efficient VQA Models [53.65668097847456]
  テキストを確率的プログラムとして表現し,イメージをオブジェクトレベルのシーングラフとして表現することが,これらのデシラタを最も満足していることが判明した。 既存のモデルを拡張して,これらのソフトプログラムとシーングラフを活用して,エンドツーエンドで質問応答ペアをトレーニングします。
  論文  参考訳（メタデータ） (2021-03-22T01:48:16Z)
• Symbolic Parallel Adaptive Importance Sampling for Probabilistic Program Analysis [9.204612164524947]
  確率論的ソフトウェア分析は、プログラムの実行中に発生するターゲットイベントの確率を定量化することを目的としている。 本稿では,SYMbolic Parallel Adaptive Importance Sampling (SYMPAIS)を提案する。
  論文  参考訳（メタデータ） (2020-10-10T17:39:12Z)
• Exploring Software Naturalness through Neural Language Models [56.1315223210742]
  ソフトウェア自然性仮説(Software Naturalness hypothesis)は、自然言語処理で使用されるのと同じ手法でプログラミング言語を理解することができると主張している。 この仮説は,事前学習されたトランスフォーマーベース言語モデルを用いて,コード解析タスクを実行することによって検討する。
  論文  参考訳（メタデータ） (2020-06-22T21:56:14Z)

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。