論文の概要: Tyche: A library for probabilistic reasoning and belief modelling in Python

• arxiv url: http://arxiv.org/abs/2208.09838v1
• Date: Sun, 21 Aug 2022 08:17:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 13:58:37.582195
• Title: Tyche: A library for probabilistic reasoning and belief modelling in Python
• Title（参考訳）: Tyche: Pythonの確率論的推論と信念モデリングのためのライブラリ
• Authors: Padraig X. Lamont
• Abstract要約: Tycheは、不確実な世界で確率論的推論を容易にするPythonライブラリである。 信念モデルは、個人のクラス、それらに関する確率論的信念(概念)、それらの間の確率論的関係(ルール)を定義することによって簡潔に作成することができる ティッシュは専門家システム、知識抽出システム、エージェントが不完全で確率的な情報でゲームをするのを支援する可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents Tyche, a Python library to facilitate probabilistic reasoning in uncertain worlds through the construction, querying, and learning of belief models. Tyche uses aleatoric description logic (ADL), which provides computational advantages in its evaluation over other description logics. Tyche belief models can be succinctly created by defining classes of individuals, the probabilistic beliefs about them (concepts), and the probabilistic relationships between them (roles). We also introduce a method of observation propagation to facilitate learning from complex ADL observations. A demonstration of Tyche to predict the author of anonymised messages, and to extract author writing tendencies from anonymised messages, is provided. Tyche has the potential to assist in the development of expert systems, knowledge extraction systems, and agents to play games with incomplete and probabilistic information.
• Abstract（参考訳）: 本稿では,信条モデルの構築,問合せ,学習を通じて不確定な世界での確率的推論を容易にするpythonライブラリtycheを提案する。 tyche は aleatoric description logic (adl) を使い、他の記述論理よりも計算上の利点を提供する。 tyche belief modelは、個人のクラス、それらに関する確率的信念(概念)、それらの間の確率的関係(ロール)を定義することによって簡潔に作成することができる。 また,複雑なadl観察からの学習を容易にする観察伝播法を提案する。 匿名化されたメッセージの著者を予測し、匿名化されたメッセージから著者の執筆傾向を抽出するTycheのデモンストレーションを提供する。 ティッシュは専門家システム、知識抽出システム、エージェントが不完全で確率的な情報でゲームをするのを支援する可能性がある。

関連論文リスト

• QUITE: Quantifying Uncertainty in Natural Language Text in Bayesian Reasoning Scenarios [15.193544498311603]
  本稿では,カテゴリー的確率変数と複雑な関係を持つ実世界のベイズ推論シナリオのデータセットであるQUITEを提案する。 我々は幅広い実験を行い、論理ベースのモデルが全ての推論型において、アウト・オブ・ボックスの大規模言語モデルより優れていることを発見した。 以上の結果から,ニューロシンボリックモデルが複雑な推論を改善する上で有望な方向であることを示す。
  論文  参考訳（メタデータ） (2024-10-14T12:44:59Z)
• Making Pre-trained Language Models Great on Tabular Prediction [50.70574370855663]
  ディープニューラルネットワーク(DNN)の転送性は、画像および言語処理において著しく進歩している。 本稿では,表型データ予測のための訓練済みLMであるTP-BERTaを提案する。 新たな相対等級トークン化では、スカラー数値の特徴値を細分化した高次元トークンに変換し、特徴値と対応する特徴名を統合する。
  論文  参考訳（メタデータ） (2024-03-04T08:38:56Z)
• dPASP: A Comprehensive Differentiable Probabilistic Answer Set Programming Environment For Neurosymbolic Learning and Reasoning [0.0]
  本稿では,ニューロシンボリック推論のための新しい宣言型論理プログラミングフレームワークdPASPを提案する。 非決定論的・矛盾的・不完全・統計的知識を表現できる確率論的論理プログラムのセマンティクスについて論じる。 次に、いくつかのサンプルプログラムとともに、言語での推論と学習をサポートする実装されたパッケージについて説明する。
  論文  参考訳（メタデータ） (2023-08-05T19:36:58Z)
• Preserving Knowledge Invariance: Rethinking Robustness Evaluation of Open Information Extraction [50.62245481416744]
  実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。 我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。 さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
  論文  参考訳（メタデータ） (2023-05-23T12:05:09Z)
• DeeProb-kit: a Python Library for Deep Probabilistic Modelling [0.0]
  DeeProb-kitはPythonで書かれた統一ライブラリで、DPM(Deep Probabilistic Model)のコレクションで構成されている。 効率的に実装された学習技術、推論ルーチン、統計アルゴリズム、高品質な完全ドキュメントAPIを提供する。
  論文  参考訳（メタデータ） (2022-12-08T17:02:16Z)
• ProbNum: Probabilistic Numerics in Python [62.52335490524408]
  確率的数値法(PNMs)は確率的推論によって数値問題を解く。 ProbNum: 最先端のPNMを提供するPythonライブラリ。
  論文  参考訳（メタデータ） (2021-12-03T07:20:50Z)
• A Bayesian Framework for Information-Theoretic Probing [51.98576673620385]
  我々は、探索は相互情報を近似するものとみなすべきであると論じる。 これは、表現が元の文とターゲットタスクに関する全く同じ情報をエンコードしているというかなり直感的な結論を導いた。 本稿では,ベイズ的相互情報(Bayesian mutual information)と呼ぶものを測定するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-09-08T18:08:36Z)
• Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing [78.8500633981247]
  本稿では,自然言語処理における新たなパラダイムにおける研究成果の探索と整理を行う。 入力xを取り込んで出力yをP(y|x)として予測するようにモデルを訓練する従来の教師付き学習とは異なり、プロンプトベースの学習は直接テキストの確率をモデル化する言語モデルに基づいている。
  論文  参考訳（メタデータ） (2021-07-28T18:09:46Z)
• A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification [1.90365714903665]
  このハンズオン導入は、配布不要なUQの実践的な実装に関心のある読者を対象としている。 PyTorch構文で、Pythonで説明的なイラストやサンプル、コードサンプルを多数含みます。
  論文  参考訳（メタデータ） (2021-07-15T17:59:50Z)
• Leap-Of-Thought: Teaching Pre-Trained Models to Systematically Reason Over Implicit Knowledge [96.92252296244233]
  大規模な事前学習言語モデル(LM)は推論能力を得るが、制御は困難である。 本研究では,暗黙的,事前学習された知識と明示的な自然言語文を併用して,体系的推論を確実に行うことができることを示す。 我々の研究は、シンプルな自然言語文を追加することで、モデルを簡単に修正できるユーザと対話することで、常に改善されるオープンドメインシステムへの道を開く。
  論文  参考訳（メタデータ） (2020-06-11T17:02:20Z)
• A Tutorial on Learning With Bayesian Networks [8.98526174345299]
  ベイズネットワークは、興味のある変数間の確率的関係を符号化するグラフィカルモデルである。 ベイズネットワークは因果関係の学習に利用できる。 また、問題領域の理解を得、介入の結果を予測するためにも使用できる。
  論文  参考訳（メタデータ） (2020-02-01T20:03:21Z)

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。