論文の概要: Bottom-Up Grounding in the Probabilistic Logic Programming System Fusemate

• arxiv url: http://arxiv.org/abs/2305.18924v1
• Date: Tue, 30 May 2023 10:30:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 17:02:25.331212
• Title: Bottom-Up Grounding in the Probabilistic Logic Programming System Fusemate
• Title（参考訳）: 確率論理プログラミングシステムfusemateにおけるボトムアップグラウンド
• Authors: Peter Baumgartner, Elena Tartaglia
• Abstract要約: フーセメイトの推論エンジンは、グラウンディング成分と確率的推論のための可変除去方法とを含む。 我々の実験は、確率論的論理プログラミングシステムと比較して、競争力や性能を実証している。
• 参考スコア（独自算出の注目度）: 0.456877715768796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces the Fusemate probabilistic logic programming system. Fusemate's inference engine comprises a grounding component and a variable elimination method for probabilistic inference. Fusemate differs from most other systems by grounding the program in a bottom-up way instead of the common top-down way. While bottom-up grounding is attractive for a number of reasons, e.g., for dynamically creating distributions of varying support sizes, it makes it harder to control the amount of ground clauses generated. We address this problem by interleaving grounding (along program stratification) with a query-guided relevance test. This test prunes ground rules whose heads are inconsistent with the query dynamically extended by the ground rules so far. We present our method in detail and demonstrate it with examples that involve ``time'', such as (hidden) Markov models. Our experiments demonstrate competitive or better performance compared to a state-of-the probabilistic logic programming system, in particular for high branching problems.
• Abstract（参考訳）: 本稿では,Fusemate確率論理プログラミングシステムを紹介する。 fusemateの推論エンジンは、確率的推論のための接地成分と変数除去方法を含む。 Fusemateは他のシステムと異なり、一般的なトップダウン方式ではなくボトムアップ方式でプログラムを基盤にしている。 ボトムアップのグラウンドングは、様々なサポートサイズの分布を動的に生成するなど、いくつかの理由から魅力的だが、グラウンド節の生成量を制御するのが難しくなる。 我々は,クエリを指示した関連性テストでグラウンドング(およびプログラム階層化)をインターリーブすることにより,この問題に対処した。 このテストは、これまでの基底ルールによって動的に拡張されたクエリとヘッドが矛盾する基底ルールをプルーンする。 提案手法は,マルコフモデル (隠れマルコフモデル) のような '`time'' を含む例で詳細に提示し,それを実演する。 本実験は,高分岐問題に対する確率論的論理プログラミングシステムと比較して,競争力や性能を実証するものである。

関連論文リスト

• BayesFLo: Bayesian fault localization of complex software systems [4.217640663997775]
  ソフトウェアテストの主要なステップは、障害ローカライゼーションである。これは、テストデータを使用して、さらなる診断のために障害誘発の組み合わせをピンポイントする。 既存の断層定位法は決定論的であり、潜在的な根本原因の確率的リスクを評価するための原則的アプローチを提供していない。 本稿では,潜在的根本原因の組み合わせに対して柔軟なベイズモデルを利用するベイズFLoと呼ばれる新しいベイズ断層定位フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T21:12:53Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Improving Probabilistic Bisimulation for MDPs Using Machine Learning [0.0]
  本稿では,与えられたモデルの状態空間を確率的ビシミュレーションクラスに分割する新しい手法を提案する。 このアプローチは、最先端のツールと比較して、実行時間を著しく削減できる。
  論文  参考訳（メタデータ） (2023-07-30T12:58:12Z)
• Splitter Orderings for Probabilistic Bisimulation [0.0]
  本稿では,与えられた確率モデルの状態空間をバイシミュレートクラスに分割する反復過程を高速化する手法を提案する。 提案手法はいくつかのケーススタディに基づいて実装され,実行時間を平均1桁削減する。
  論文  参考訳（メタデータ） (2023-07-17T16:30:19Z)
• System Predictor: Grounding Size Estimator for Logic Programs under Answer Set Semantics [0.5801044612920815]
  本稿では,プログラムの基底サイズを推定するシステム予測器を提案する。 本稿では,Productor と Lpopt が生成したリライトのガイドとして使用するPredictor の効果を評価する。
  論文  参考訳（メタデータ） (2023-03-29T20:49:40Z)
• Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal Abstractions [59.605246463200736]
  雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。 まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。 我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
  論文  参考訳（メタデータ） (2023-01-04T10:40:30Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian Noise [59.47042225257565]
  雑音分布の明示的な表現に依存しない新しい計画法を提案する。 まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。 いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
  論文  参考訳（メタデータ） (2021-10-25T06:18:55Z)
• Adversarial Robustness Verification and Attack Synthesis in Stochastic Systems [8.833548357664606]
  我々は、離散時間マルコフ連鎖(DTMC)として定義されるシステムにおける対向的堅牢性のための公式な枠組みを開発する。 我々は、元の遷移確率の周囲に$varepsilon$ボールで制約された、敵がシステム遷移を摂動できる脅威モデルのクラスを概説する。
  論文  参考訳（メタデータ） (2021-10-05T15:52:47Z)
• Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
  確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。 我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。 まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
  論文  参考訳（メタデータ） (2020-08-19T16:04:34Z)

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。