Fugu-MT 論文翻訳(概要): A Table-Based Representation for Probabilistic Logic: Preliminary Results

論文の概要: A Table-Based Representation for Probabilistic Logic: Preliminary Results

arxiv url: http://arxiv.org/abs/2110.01909v1
Date: Tue, 5 Oct 2021 10:01:31 GMT
ステータス: 処理完了
システム内更新日: 2021-10-06 20:24:20.312101
Title: A Table-Based Representation for Probabilistic Logic: Preliminary Results
Title（参考訳）: 確率論的論理のテーブルベース表現:予備結果
Authors: Simon Vandevelde, Victor Verreet, Luc De Raedt and Joost Vennekens
Abstract要約: 確率的決定モデルと表記法(pDMN)を提案する。 pDMNは決定モデルと表記の確率的拡張である ProbLogプログラムに不明瞭に変換して、ユーザクエリに応答することができる。
参考スコア（独自算出の注目度）: 14.065623268570139
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present Probabilistic Decision Model and Notation (pDMN), a probabilistic extension of Decision Model and Notation (DMN). DMN is a modeling notation for deterministic decision logic, which intends to be user-friendly and low in complexity. pDMN extends DMN with probabilistic reasoning, predicates, functions, quantification, and a new hit policy. At the same time, it aims to retain DMN's user-friendliness to allow its usage by domain experts without the help of IT staff. pDMN models can be unambiguously translated into ProbLog programs to answer user queries. ProbLog is a probabilistic extension of Prolog flexibly enough to model and reason over any pDMN model.
Abstract（参考訳）: 本稿では,決定モデルと表記の確率的拡張である確率的決定モデルと表記法(pdmn)を提案する。 DMNは決定論的決定論理のモデリング表記法であり、ユーザフレンドリで複雑さの低いことを意図している。 pDMNはDMNを拡張し、確率論的推論、述語、関数、定量化、新しいヒットポリシーを提供する。同時に、DMNのユーザフレンドリさを維持し、ITスタッフの助けなしにドメインの専門家による使用を可能にすることを目指している。 pDMNモデルは、ユーザクエリに応答するために、明らかにProbLogプログラムに変換できる。 ProbLog は Prolog の確率的拡張であり、任意の pDMN モデルをモデル化および推論するのに十分な柔軟性を持つ。

関連論文リスト

On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。本研究は,専門家の選択に重要な意味を持つ。
論文参考訳（メタデータ） (2024-02-05T12:31:18Z)
Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。 L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
論文参考訳（メタデータ） (2023-12-07T03:55:51Z)
Recurrent Neural Language Models as Probabilistic Finite-state Automata [66.23172872811594]
RNN LMが表現できる確率分布のクラスについて検討する。単純なRNNは確率的有限状態オートマトンの部分クラスと同値であることを示す。これらの結果は、RNN LMが表現できる分布のクラスを特徴付けるための第一歩を示す。
論文参考訳（メタデータ） (2023-10-08T13:36:05Z)
Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文参考訳（メタデータ） (2023-07-04T16:45:21Z)
Scalable Neural-Probabilistic Answer Set Programming [18.136093815001423]
本稿では、NPP(Neural-Probabilistic Predicates)と解集合プログラミング(ASP)を介して統合された論理プログラムからなる新しいDPPLであるSLASHを紹介する。予測性能を犠牲にすることなく、推論を高速化し、(地上)プログラムの無意味な部分を抜粋する方法を示す。我々は、MNIST追加のベンチマークタスクやVQA(Visual Question Answering)など、様々なタスクでSLASHを評価する。
論文参考訳（メタデータ） (2023-06-14T09:45:29Z)
A Nonparametric Approach with Marginals for Modeling Consumer Choice [5.829992438125586]
限界分布モデル(MDM)は、ランダムユーティリティモデル(RUM)における同様の特徴付けの有用性に着想を得たものである。我々は,MDMがRUMやパラメトリックモデルと比較して,競争力と予測性能を示すことを示した。
論文参考訳（メタデータ） (2022-08-12T04:43:26Z)
BRIO: Bringing Order to Abstractive Summarization [107.97378285293507]
非決定論的分布を前提とした新しい学習パラダイムを提案する。提案手法は, CNN/DailyMail (47.78 ROUGE-1) と XSum (49.07 ROUGE-1) のデータセット上で, 最新の結果が得られる。
論文参考訳（メタデータ） (2022-03-31T05:19:38Z)
Tackling the DM Challenges with cDMN: A Tight Integration of DMN and Constraint Reasoning [4.177448054347244]
本稿では、制約決定モデルと表記法(cDMN)と呼ばれる、決定モデルと表記法(DMN)標準の拡張について述べる。 cDMNは、より複雑なドメイン知識をモデル化するために、DMNの表現力を拡大することを目的としている。我々は、DMコミュニティのウェブサイトに投稿された最も複雑な課題を解決することで、cDMNをテストする。
論文参考訳（メタデータ） (2021-10-06T09:29:52Z)
PSD Representations for Effective Probability Models [117.35298398434628]
最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
論文参考訳（メタデータ） (2021-06-30T15:13:39Z)
Recurrent Sum-Product-Max Networks for Decision Making in Perfectly-Observed Environments [12.225164387970166]
本稿では、意思決定データから学習し、時間とともにモデル化するRSPMN(Sum-product-max Network)を提案する。 RSPMNは、データ駆動であり、主にトラクタブルであるという点で、総生産ネットワークの利点を継承し、シーケンシャルな問題にも適している。逐次決定データセットのテストベッドで学習したRSPMNが、完全に観測された領域で最適に近いMEUとポリシーを生成することを実証する。
論文参考訳（メタデータ） (2020-06-12T16:31:11Z)

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。