論文の概要: First-Order Context-Specific Likelihood Weighting in Hybrid Probabilistic Logic Programs

• arxiv url: http://arxiv.org/abs/2201.11165v1
• Date: Wed, 26 Jan 2022 20:06:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-29 05:05:09.739566
• Title: First-Order Context-Specific Likelihood Weighting in Hybrid Probabilistic Logic Programs
• Title（参考訳）: ハイブリッド確率論理プログラムにおける一階文脈特異的重み付け
• Authors: Nitesh Kumar, Ondrej Kuzelka, Luc De Raedt
• Abstract要約: 3種類の独立性は、ハイブリッドモデルにおけるスケーラブルな推論を表現し、活用するために重要である。 本稿では,分散節の構文とベイズ論理プログラムのセマンティックス原理を統合したハイブリッド確率論理型言語DC#を提案する。 また,DC#用のスケーラブル推論アルゴリズムFO-CS-LWについても紹介する。
• 参考スコア（独自算出の注目度）: 24.503581751619787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistical relational AI and probabilistic logic programming have so far mostly focused on discrete probabilistic models. The reasons for this is that one needs to provide constructs to succinctly model the independencies in such models, and also provide efficient inference. Three types of independencies are important to represent and exploit for scalable inference in hybrid models: conditional independencies elegantly modeled in Bayesian networks, context-specific independencies naturally represented by logical rules, and independencies amongst attributes of related objects in relational models succinctly expressed by combining rules. This paper introduces a hybrid probabilistic logic programming language, DC#, which integrates distributional clauses' syntax and semantics principles of Bayesian logic programs. It represents the three types of independencies qualitatively. More importantly, we also introduce the scalable inference algorithm FO-CS-LW for DC#. FO-CS-LW is a first-order extension of the context-specific likelihood weighting algorithm (CS-LW), a novel sampling method that exploits conditional independencies and context-specific independencies in ground models. The FO-CS-LW algorithm upgrades CS-LW with unification and combining rules to the first-order case.
• Abstract（参考訳）: 統計的リレーショナルAIと確率論理プログラミングは、これまで主に離散確率モデルに焦点を当ててきた。 その理由は、そのようなモデルの非依存性を簡潔にモデル化し、効率的な推論を提供する構造を提供する必要があるからである。 ベイジアンネットワークでエレガントにモデル化された条件付き独立性、自然に論理規則で表される文脈固有の独立性、関係モデルにおける関連オブジェクトの属性間の独立性は、規則を組み合わせることによって簡潔に表現される。 本稿では,ベイズ論理プログラムの分布節の構文と意味論を統合した,確率的論理プログラミング言語dc#を提案する。 定性的に3種類の無依存を表す。 さらに重要なことは、DC#用のスケーラブル推論アルゴリズムFO-CS-LWについても紹介する。 FO-CS-LW(FO-CS-LW)は、地上モデルにおける条件付き非依存性と文脈固有の非依存性を利用する新しいサンプリング法である。 FO-CS-LWアルゴリズムはCS-LWを統一してアップグレードし、ルールを1次ケースに組み合わせる。

関連論文リスト

• The Foundations of Tokenization: Statistical and Computational Concerns [51.370165245628975]
  トークン化は、NLPパイプラインにおける重要なステップである。 NLPにおける標準表現法としての重要性は認識されているが、トークン化の理論的基盤はまだ完全には理解されていない。 本稿では,トークン化モデルの表現と解析のための統一的な形式的枠組みを提案することによって,この理論的ギャップに対処することに貢献している。
  論文  参考訳（メタデータ） (2024-07-16T11:12:28Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Semirings for Probabilistic and Neuro-Symbolic Logic Programming [15.747744148181829]
  確率論的論理プログラミングの多くの拡張が、共通の代数論理プログラミングフレームワークにキャスト可能であることを示す。 これはPLPのバリエーションそのものだけでなく、(代数的な)モデルカウントに基づく実行メカニズムにも当てはまります。
  論文  参考訳（メタデータ） (2024-02-21T13:06:52Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• Declarative Probabilistic Logic Programming in Discrete-Continuous Domains [16.153683223016973]
  我々は、ハイブリッドPLP言語DC-ProbLogとその推論エンジンである無限小代数的準重み付け(IALW)と共に測定セマンティクスに貢献する。 PLPの技術を3つの異なる側面(意味論、言語、推論)で一般化する。 IALWは知識コンパイルに基づくハイブリッド確率型プログラミングのための最初の推論アルゴリズムである。
  論文  参考訳（メタデータ） (2023-02-21T13:50:38Z)
• Hybrid Probabilistic Logic Programming: Inference and Learning [1.14219428942199]
  この論文は確率論的論理プログラミング(PLP)の進歩に焦点を当てており、不確実性の確率理論と関係性のための論理プログラミングを組み合わせたものである。 最初のコントリビューションは、コンテクスト固有の非依存性を計算ゲインに活用する新しいサンプリングアルゴリズムであるCS-LWの導入である。 次に、新しいハイブリッドPLPであるDC#が導入され、分散クロースとベイズ論理プログラムの構文を統合し、3種類の独立性を表す。 スケーラブルな推論アルゴリズムFO-CS-LWがDC#で導入された。
  論文  参考訳（メタデータ） (2023-02-01T15:07:36Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Conditional independence by typing [30.194205448457385]
  確率型プログラミング言語(PPL)の中心的な目標は、推論からモデリングを分離することである。 パラメータ間の条件独立(CI)関係は確率論的モデルの重要な側面である。 システム内の十分に型付けされたプログラムでは、その実装するディストリビューションは特定のCI関連性を持つことが保証されている。
  論文  参考訳（メタデータ） (2020-10-22T17:27:22Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable Structured Priors [13.712395104755783]
  混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。 最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。 我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
  論文  参考訳（メタデータ） (2020-02-21T19:32:32Z)

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。