Fugu-MT 論文翻訳(概要): Symbolic Parameter Learning in Probabilistic Answer Set Programming

論文の概要: Symbolic Parameter Learning in Probabilistic Answer Set Programming

arxiv url: http://arxiv.org/abs/2408.08732v1
Date: Fri, 16 Aug 2024 13:32:47 GMT
ステータス: 処理完了
システム内更新日: 2024-08-19 15:24:50.772610
Title: Symbolic Parameter Learning in Probabilistic Answer Set Programming
Title（参考訳）: 確率的解集合プログラミングにおける記号的パラメータ学習
Authors: Damiano Azzolini, Elisabetta Gentili, Fabrizio Riguzzi,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.16385815610837165
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Parameter learning is a crucial task in the field of Statistical Relational Artificial Intelligence: given a probabilistic logic program and a set of observations in the form of interpretations, the goal is to learn the probabilities of the facts in the program such that the probabilities of the interpretations are maximized. In this paper, we propose two algorithms to solve such a task within the formalism of Probabilistic Answer Set Programming, both based on the extraction of symbolic equations representing the probabilities of the interpretations. The first solves the task using an off-the-shelf constrained optimization solver while the second is based on an implementation of the Expectation Maximization algorithm. Empirical results show that our proposals often outperform existing approaches based on projected answer set enumeration in terms of quality of the solution and in terms of execution time. The paper has been accepted at the ICLP2024 conference and is under consideration in Theory and Practice of Logic Programming (TPLP).
Abstract（参考訳）: パラメータ学習は統計的関係人工知能の分野において重要な課題である:確率論的論理プログラムと解釈の形で観察された一連の集合が与えられた場合、その目標は、解釈の確率が最大になるようにプログラム内の事実の確率を学習することである。本稿では,確率的Answer Set Programmingの定式化の中で,解釈の確率を表す記号方程式の抽出に基づいて,そのような課題を解決するための2つのアルゴリズムを提案する。 1つ目は、既製の制約付き最適化解法を用いてタスクを解き、もう1つは期待最大化アルゴリズムの実装に基づいている。実験の結果,提案手法はソリューションの品質や実行時間の観点から,予測された回答セット列挙に基づく既存手法よりも優れていることがわかった。この論文はICLP2024カンファレンスで受け入れられており、論理プログラミングの理論と実践(TPLP)において検討中である。

関連論文リスト

Solving Decision Theory Problems with Probabilistic Answer Set Programming [1.4999444543328293]
本稿では,確率的解答集合プログラミングを用いて決定論問題を符号化する可能性を紹介する。我々のアルゴリズムは、プログラムの非自明なインスタンスを妥当な時間で管理できる。
論文参考訳（メタデータ） (2024-08-21T06:44:16Z)
Convex Q Learning in a Stochastic Environment: Extended Version [1.680268810119084]
本稿では,関数近似を用いたマルコフ決定過程に対する凸Q-ラーニングの最初の定式化について紹介する。提案アルゴリズムは収束し, 平均二乗感覚における収束率を求める新しい手法が導入された。この理論は古典的な在庫管理問題への応用として説明されている。
論文参考訳（メタデータ） (2023-09-10T18:24:43Z)
From Probabilistic Programming to Complexity-based Programming [0.5874142059884521]
本稿では,CompLogという新しい計算フレームワークの主な特徴と実装について述べる。 ProbLogのような確率的プログラミングシステムにインスパイアされたCompLogは、Simplicity Theoryによって提案された推論メカニズムに基づいている。提案システムでは,ある状況の予期せぬ事柄を,元投稿や元被写体で計算することができる。
論文参考訳（メタデータ） (2023-07-28T10:11:01Z)
Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文参考訳（メタデータ） (2023-04-12T14:51:47Z)
Multivariate Systemic Risk Measures and Computation by Deep Learning Algorithms [63.03966552670014]
本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
論文参考訳（メタデータ） (2023-02-02T22:16:49Z)
Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文参考訳（メタデータ） (2022-02-21T13:18:11Z)
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)
A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文参考訳（メタデータ） (2021-03-10T03:16:12Z)
Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文参考訳（メタデータ） (2020-12-04T15:36:29Z)
Symbolic Parallel Adaptive Importance Sampling for Probabilistic Program Analysis [9.204612164524947]
確率論的ソフトウェア分析は、プログラムの実行中に発生するターゲットイベントの確率を定量化することを目的としている。本稿では,SYMbolic Parallel Adaptive Importance Sampling (SYMPAIS)を提案する。
論文参考訳（メタデータ） (2020-10-10T17:39:12Z)
MAP Inference for Probabilistic Logic Programming [0.30586855806896046]
我々は最大A-Posteriori(MAP)推論タスクと最も確率的説明(MPE)タスクについて検討する。本稿では,各問題を2値決定図として表現することで,これらの課題に対処する新しいアルゴリズムを提案する。本稿では,アノテーション付き解離を認め,MAPおよびMPE推論を行うProbLogのバージョンと比較する。
論文参考訳（メタデータ） (2020-08-04T08:10:51Z)

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。