利用知识编译扩展线性与非线性混合域中的概率推断
人工智能
2020-01-14 v2 计算机科学中的逻辑
摘要
加权模型积分（WMI）扩展了加权模型计数（WMC），为混合离散-连续域中的概率推断提供了计算抽象。WMC 已成为贝叶斯网络、因子图、概率程序和概率数据库中前沿推理的汇编语言。在这方面，WMI 显示出被广泛应用的巨大前景，特别是因为许多现实世界应用涉及连续且混合的属性与特征空间。然而，最先进的 WMI 工具有限且不如其命题对应工具成熟。在本工作中，我们提出了一种利用命题知识编译来扩展推断规模的新实现机制。具体而言，我们使用句子决策图（一种布尔函数的易处理表示）作为底层的模型计数与模型枚举方案。我们的机制在与最先进 WMI 系统竞争中表现良好，并且被证明能处理一类关于非线性势的非线性约束。
引用
@article{arxiv.1811.12127,
title = {Scaling up Probabilistic Inference in Linear and Non-Linear Hybrid Domains by Leveraging Knowledge Compilation},
author = {Anton Fuxjaeger and Vaishak Belle},
journal= {arXiv preprint arXiv:1811.12127},
year = {2020}
}
备注
In proceedings of ICAART, 2020. A version also appears in AAAI Workshop: Statistical Relational Artificial Intelligence (StarAI), 2020