論文の概要: Probabilistic Answer Set Programming with Discrete and Continuous Random Variables
- arxiv url: http://arxiv.org/abs/2409.20274v1
- Date: Mon, 30 Sep 2024 13:24:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-02 12:56:53.653379
- Title: Probabilistic Answer Set Programming with Discrete and Continuous Random Variables
- Title（参考訳）: 離散および連続確率変数を用いた確率論的解集合プログラミング
- Authors: Damiano Azzolini, Fabrizio Riguzzi,
- Abstract要約: Probabilistic Answer Set Programming (PASP)は、不確実な情報を表す確率的事実でAnswer Set Programmingを拡張します。
我々はHPASP(Hybrid Probabilistic Answer Set Programming)を提案する。
本稿では,予測された回答集合列挙と知識コンパイルに基づいて,2つの正確なアルゴリズムの性能を議論し,実装し,評価する。
- 参考スコア（独自算出の注目度）: 0.18416014644193066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probabilistic Answer Set Programming under the credal semantics (PASP) extends Answer Set Programming with probabilistic facts that represent uncertain information. The probabilistic facts are discrete with Bernoulli distributions. However, several real-world scenarios require a combination of both discrete and continuous random variables. In this paper, we extend the PASP framework to support continuous random variables and propose Hybrid Probabilistic Answer Set Programming (HPASP). Moreover, we discuss, implement, and assess the performance of two exact algorithms based on projected answer set enumeration and knowledge compilation and two approximate algorithms based on sampling. Empirical results, also in line with known theoretical results, show that exact inference is feasible only for small instances, but knowledge compilation has a huge positive impact on the performance. Sampling allows handling larger instances, but sometimes requires an increasing amount of memory. Under consideration in Theory and Practice of Logic Programming (TPLP).
- Abstract（参考訳）: PASP (Probabilistic Answer Set Programming under the credal semantics) は、不確実な情報を表す確率的事実を用いてAnswer Set Programmingを拡張する。
確率的事実はベルヌーイ分布と離散的である。
しかし、いくつかの実世界のシナリオは離散変数と連続変数の両方の組み合わせを必要とする。
本稿では、連続確率変数をサポートするためにPASPフレームワークを拡張し、HPASP(Hybrid Probabilistic Answer Set Programming)を提案する。
さらに,提案手法は,提案手法の列挙と知識コンパイルに基づく2つの正確なアルゴリズムと,サンプリングに基づく2つの近似アルゴリズムの性能について検討し,実装し,評価する。
経験的結果は、既知の理論的結果と一致し、正確な推論は小さなインスタンスでのみ可能であるが、知識コンパイルはパフォーマンスに大きなポジティブな影響を与えることを示している。
サンプリングにより、より大きなインスタンスを処理できるが、時にはメモリの量を増やす必要がある。
論理プログラミングの理論と実践(TPLP)
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) - Batch Bayesian Optimization for Replicable Experimental Design [56.64902148159355]
多くの実世界の設計問題は、大規模で異質な観測ノイズのため、複数の実験条件を並列に評価し、各条件を複数回再現する。
本稿では,3つのアルゴリズムを含むReplicable Experimental Designフレームワークのバッチトンプソンサンプリングを提案する。
我々は,アルゴリズムの有効性を,精密農業とAutoMLの2つの実世界の応用例で示す。
論文 参考訳（メタデータ） (2023-11-02T12:46:03Z) - smProbLog: Stable Model Semantics in ProbLog for Probabilistic
Argumentation [19.46250467634934]
本稿では,確率論的論理プログラミング(PLP)のセマンティクスにおいて,確率論的議論フレームワークを表すプログラムが共通の仮定を満たさないことを示す。
第二の貢献は、確率的事実の選択が論理的原子の真理割り当てを一意に決定しないプログラムのための新しいPLP意味論である。
3つ目のコントリビューションは、このセマンティクスをサポートするPLPシステムの実装である。
論文 参考訳（メタデータ） (2023-04-03T10:59:25Z) - $\omega$PAP Spaces: Reasoning Denotationally About Higher-Order,
Recursive Probabilistic and Differentiable Programs [64.25762042361839]
$omega$PAP 空間は表現的微分可能および確率的プログラミング言語についての推論のための空間である。
我々の意味論は、最も実践的な確率的で微分可能なプログラムに意味を割り当てるのに十分である。
確率プログラムのトレース密度関数のほぼすべての微分可能性を確立する。
論文 参考訳（メタデータ） (2023-02-21T12:50:05Z) - SMProbLog: Stable Model Semantics in ProbLog and its Applications in
Argumentation [17.71804768917815]
SMProbLogは確率論理プログラミング言語ProbLogの一般化である。
本稿では,SMProbLogを用いて確率論的議論問題を解き明かす方法について述べる。
論文 参考訳（メタデータ） (2021-10-05T12:29:22Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳（メタデータ） (2021-06-07T17:44:49Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳（メタデータ） (2021-06-03T08:32:13Z) - pRSL: Interpretable Multi-label Stacking by Learning Probabilistic Rules [0.0]
本稿では,確率論的命題論理則と信念伝播を用いた確率論的ルールスタックリング(pRSL)を提案し,その基礎となる分類器の予測と組み合わせる。
精度と近似推論と学習のためのアルゴリズムを導出し、様々なベンチマークデータセット上でpRSLが最先端の性能に達することを示す。
論文 参考訳（メタデータ） (2021-05-28T14:06:21Z) - Probabilistic Generating Circuits [50.98473654244851]
効率的な表現のための確率的生成回路(PGC)を提案する。
PGCは、非常に異なる既存モデルを統一する理論的なフレームワークであるだけでなく、現実的なデータをモデル化する大きな可能性も示している。
我々はPCとDPPの単純な組み合わせによって簡単に仮定されない単純なPGCのクラスを示し、一連の密度推定ベンチマークで競合性能を得る。
論文 参考訳（メタデータ） (2021-02-19T07:06:53Z) - 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) - 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。