論文の概要: Hybrid Probabilistic Logic Programming: Inference and Learning

• arxiv url: http://arxiv.org/abs/2302.00496v1
• Date: Wed, 1 Feb 2023 15:07:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-02 17:15:01.428309
• Title: Hybrid Probabilistic Logic Programming: Inference and Learning
• Title（参考訳）: 確率論理プログラミングのハイブリッド:推論と学習
• Authors: Nitesh Kumar
• Abstract要約: この論文は確率論的論理プログラミング(PLP)の発展に焦点を当て、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、分散クロースの構文とベイズ論理プログラムを統合する新しいハイブリッドPLP、DC#が導入された。 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。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This thesis focuses on the advancement of probabilistic logic programming (PLP), which combines probability theory for uncertainty and logic programming for relations. The thesis aims to extend PLP to support both discrete and continuous random variables, which is necessary for applications with numeric data. The first contribution is the introduction of context-specific likelihood weighting (CS-LW), a new sampling algorithm that exploits context-specific independencies for computational gains. Next, a new hybrid PLP, DC#, is introduced, which integrates the syntax of Distributional Clauses with Bayesian logic programs and represents three types of independencies: i) conditional independencies (CIs) modeled in Bayesian networks; ii) context-specific independencies (CSIs) represented by logical rules, and iii) independencies amongst attributes of related objects in relational models expressed by combining rules. The scalable inference algorithm FO-CS-LW is introduced for DC#. Finally, the thesis addresses the lack of approaches for learning hybrid PLP from relational data and background knowledge with the introduction of DiceML, which learns the structure and parameters of hybrid PLP and tackles the relational autocompletion problem. The conclusion discusses future directions and open challenges for hybrid PLP.
• Abstract（参考訳）: この論文は確率論的論理プログラミング(PLP)の発展に焦点を当て、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。 この論文は、数値データを持つアプリケーションに必要な離散変数と連続変数の両方をサポートするためにPLPを拡張することを目的としている。 最初の貢献は、計算のゲインにコンテキスト固有の非依存を利用する新しいサンプリングアルゴリズムcs-lw(context-specific likelihood weighting)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種類の非依存性を表す。 一 ベイズネットワークでモデル化された条件不一致(CI) 二 論理規則で表される文脈特化独立度(CSIs) 三 規則の組み合わせにより表される関係モデルにおける関連対象の属性の差分 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。 最後に、この論文は、ハイブリッドPLPの構造とパラメータを学習し、リレーショナルオートコンプリート問題に取り組むDiceMLの導入によって、リレーショナルデータとバックグラウンド知識からハイブリッドPLPを学ぶためのアプローチの欠如に対処する。 この結論は,ハイブリッドPLPの今後の方向性と課題を論じるものである。

関連論文リスト

• 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)
• 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)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• 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)
• Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
  本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。 低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
  論文  参考訳（メタデータ） (2022-10-19T15:46:37Z)
• First-Order Context-Specific Likelihood Weighting in Hybrid Probabilistic Logic Programs [24.503581751619787]
  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。
  論文  参考訳（メタデータ） (2022-01-26T20:06:02Z)
• Structural Learning of Probabilistic Sentential Decision Diagrams under Partial Closed-World Assumption [127.439030701253]
  確率感性決定図は構造化分解可能な回路のクラスである。 本稿では,回路の論理的基盤を暗黙的に提供する部分閉世界仮定に基づく新しいスキームを提案する。 予備実験では、提案手法がトレーニングデータに適切に適合し、基礎となる論理的基盤と整合性を維持した上で、テストデータによく適合することを示した。
  論文  参考訳（メタデータ） (2021-07-26T12:01:56Z)
• 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)
• 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)
• Implicit Distributional Reinforcement Learning [61.166030238490634]
  2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC) 半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。 我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
  論文  参考訳（メタデータ） (2020-07-13T02:52:18Z)

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。