論文の概要: Probabilistic Circuits as Reasoning Machines in Artificial Intelligence (Part I)
- arxiv url: http://arxiv.org/abs/2608.16565v1
- Date: Mon, 17 Aug 2026 13:29:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.71562
- Title: Probabilistic Circuits as Reasoning Machines in Artificial Intelligence (Part I)
- Title（参考訳）: 人工知能における推論機械としての確率回路(その1)
- Abstract要約: この論文は、確率回路(PC)をAIの不確実性の下での推論と学習のための強力でトラクタブルなフレームワークとして研究している。
当初はAIのコア言語として確率を提唱し、論理と情報理論との関係を強調した。
この論文は、PCの基礎、開発、実証的検証にまたがる10年間の研究を合成する。
- 参考スコア（独自算出の注目度）: 4.867681546866858
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This cumulative habilitation thesis studies probabilistic circuits (PCs) as a powerful and tractable framework for reasoning and learning under uncertainty in artificial intelligence (AI). It first advocates for probability as a core language for AI, emphasizing its connections to logic and information theory; the conceptual simplicity of probabilistic reasoning---based primarily on the sum and product rules; the parallels between probabilistic inference and human cognition; and the role of probability in optimal decision making. However, probability also faces significant computational challenges, as probabilistic inference is NP-hard in almost all probabilistic models. PCs address these challenges through structural constraints that ensure exact computation of a wide range of inference queries in polynomial time, such as marginals, conditionals, most probable explanations, expectations, and more advanced inference tasks. This thesis synthesizes a decade of research across foundations, algorithmic developments, and empirical validation of PCs. Key contributions highlighted in this work are foundational theory of PCs, Bayesian approaches for learning PCs, scalable implementations and integration with deep learning, hybrid models that combine PCs with intractable models, and connections with symbolic machine learning paradigms. This is the first part of my Habilitation Thesis. The second part is omitted, as it comprises the cumulative part of the thesis and has been published at various venues (see Chapter 5).
- Abstract（参考訳）: この累積的安定化論は、確率回路(PC)を人工知能(AI)の不確実性の下での推論と学習のための強力でトラクタブルなフレームワークとして研究する。
第一にAIのコア言語としての確率を提唱し、論理と情報理論との関係、確率論的推論の概念的単純さ、主に和と積の規則、確率論的推論と人間の認知の並行性、そして最適な意思決定における確率の役割を強調している。
しかしながら確率は、ほぼ全ての確率モデルにおいて確率的推論がNPハードであるため、重要な計算上の問題にも直面する。
PCは、多項式時間における幅広い推論クエリの正確な計算を保証する構造的制約によってこれらの課題に対処する。
この論文は、基礎研究、アルゴリズム開発、PCの実証検証など10年にわたる研究を合成する。
この研究で強調された主な貢献は、PCの基礎理論、PCを学習するためのベイズ的アプローチ、スケーラブルな実装とディープラーニングとの統合、PCと難解なモデルを組み合わせたハイブリッドモデル、象徴的な機械学習パラダイムとの接続である。
これは私のリハビリテーション論の最初の部分です。
第2部は論文の累積部分を含むため省略され、様々な会場で刊行されている(第5章参照)。
関連論文リスト
- From Atomic to Composite: Reinforcement Learning Enables Generalization in Complementary Reasoning [83.94543243783285]
本研究では、内部パラメトリック知識と外部コンテキスト情報の統合を必要とする複雑なタスクである補完的推論について検討する。
RLは確率増幅器ではなく推論合成器として機能する。
論文 参考訳（メタデータ） (2025-12-01T18:27:25Z) - Tractable Representation Learning with Probabilistic Circuits [30.116247936061395]
確率回路(PC)は、正確かつトラクタブルな推論を可能にする強力な確率的モデルである。
ニューラルネットワークでは支配的だが、PCによる表現学習はいまだに過小評価されている。
我々は,PCのトラクタビリティを活用し,確率的埋め込みを明示的にモデル化する新しいフレームワークであるオートエンコード確率回路(APC)を紹介する。
論文 参考訳（メタデータ） (2025-07-06T13:17:16Z) - Does Reasoning Emerge? Examining the Probabilities of Causation in Large Language Models [6.922021128239465]
AIの最近の進歩は、大規模言語モデル(LLM)の能力によって推進されている。
本稿では,LLMが実世界の推論機構をいかに効果的に再現できるかを評価することを目的とした,理論的かつ実用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-15T15:19:11Z) - Pruning-Based Extraction of Descriptions from Probabilistic Circuits [5.322838001065884]
確率回路を用いて、正にラベル付けされた実例から概念を学習する。
これらの回路は、このタスクに魅力的なトラクタブルモデルを形成するが、ドメインの専門家がそれらを検査し分析することは困難である。
本稿では,学習した確率回路を論理に基づく識別モデルに変換することにより,この問題を解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T13:19:45Z) - Brain-inspired Computational Intelligence via Predictive Coding [73.42407863671565]
予測符号化(PC)は、機械学習コミュニティにとって潜在的に価値のある、有望な特性を示している。
PCライクなアルゴリズムは、機械学習とAIの複数のサブフィールドに存在し始めている。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - Probabilistic unifying relations for modelling epistemic and aleatoric uncertainty: semantics and automated reasoning with theorem proving [0.3441021278275805]
確率的プログラミングは、一般的なコンピュータプログラミング、統計的推論、形式的意味論を組み合わせたものである。
ProbURelは、Hehnerの予測確率的プログラミングに基づいているが、彼の作品が広く採用されるにはいくつかの障害がある。
コントリビューションには、Unified Theories of Programming(UTP)を使用した関係の形式化や、ブラケット外の確率などが含まれています。
ロボットのローカライゼーションの問題,機械学習の分類,確率ループの終了など,6つの事例で研究成果を実演する。
論文 参考訳（メタデータ） (2023-03-16T23:36:57Z) - Logical Credal Networks [87.25387518070411]
本稿では,論理と確率を組み合わせた先行モデルの多くを一般化した表現的確率論的論理である論理的クレダルネットワークを紹介する。
本稿では,不確実性のあるマスターミンドゲームを解くこと,クレジットカード詐欺を検出することを含む,最大後部推論タスクの性能について検討する。
論文 参考訳（メタデータ） (2021-09-25T00:00:47Z) - 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) - 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) - Paraconsistent Foundations for Probabilistic Reasoning, Programming and
Concept Formation [0.0]
4値のパラ一貫性真理値(ここでは「pビット」と呼ばれる)は、確率論的論理とプログラミングと概念形成の高度AI関連形式の概念的、数学的、実践的な基礎として機能する。
構成的双対(CD)論理に従って動作している4値のpビットの平均平均値と再正規化がPLN(Probabilistic Logic Networks)の強度と自信の真理値をもたらすことが示されている。
論文 参考訳（メタデータ） (2020-12-28T20:14:49Z) - General stochastic separation theorems with optimal bounds [68.8204255655161]
分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。
エラーやエラーのクラスタは、残りのデータから分離することができる。
AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
論文 参考訳（メタデータ） (2020-10-11T13:12:41Z) - Quantum Bayesian decision-making* [0.0]
完全に量子力学的な意思決定プロセスを提案しており、計算上の利点が証明されている。
Qiskit(IBM Qマシン用のPythonベースのプログラム開発キット)のプロトタイプ実装が概念実証として議論されている。
論文 参考訳（メタデータ） (2020-10-05T15:19:16Z)
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。