混合概率逻辑程序中的一阶上下文特定似然加权
人工智能
2023-01-10 v2 计算机科学中的逻辑
摘要
统计关系 AI 与概率逻辑编程迄今主要聚焦于离散概率模型。其原因在于需要提供支持简洁建模此类模型中独立性的构造，并提供高效推断。在混合模型中，可扩展推断需表示并利用三类独立性：贝叶斯网络中优雅建模的条件独立性、逻辑规则自然表示的上下文特定独立性，以及关系模型中通过组合规则简洁表达的相关对象属性间独立性。本文引入一种混合概率逻辑编程语言 DC#，其融合了分布子句的语法与贝叶斯逻辑程序的语义原理，定性地表示这三类独立性。更重要的是，我们还为 DC# 引入了可扩展推断算法 FO-CS-LW。FO-CS-LW 是上下文特定似然加权算法 (CS-LW) 的一阶扩展，CS-LW 是一种利用基础模型中条件独立性与上下文特定独立性的新颖采样方法。FO-CS-LW 算法通过合一与组合规则将 CS-LW 提升为一阶情形。
引用
@article{arxiv.2201.11165,
title = {First-Order Context-Specific Likelihood Weighting in Hybrid Probabilistic Logic Programs},
author = {Nitesh Kumar and Ondrej Kuzelka and Luc De Raedt},
journal= {arXiv preprint arXiv:2201.11165},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2101.09791