基于声明式知识的软约束推断
人工智能
2019-01-17 v1
摘要
我们开发了一种无似然推断过程，用于将概率模型以谓词为条件进行条件化。谓词是一个布尔值函数，表达对某一领域的是与否问题。我们的贡献称为谓词交换（predicate exchange），它构造了一个软化的谓词，取值于单位区间 [0, 1] 而非简单的真或假。直观上，1 对应真，而高值（如 0.999）对应由距离度量决定的“近乎真”。我们定义了软谓词的布尔代数，使其可任意取反、合取和析取。软化的谓词可作为近似后验推断中似然函数的易处理代理。然而，为针对精确推断，我们通过温度参数对松弛进行 tempered 处理，并增加一个接受/拒绝阶段，用于副本交换马尔可夫链蒙特卡洛（replica exchange Markov Chain Monte Carlo），其在以不同温度下的谓词为条件的一序列模型间交换状态。我们描述了谓词交换的轻量级实现，其提供了一个语言无关层，可在现有建模形式之上实现。
引用
@article{arxiv.1901.05437,
title = {Soft Constraints for Inference with Declarative Knowledge},
author = {Zenna Tavares and Javier Burroni and Edgar Minaysan and Armando Solar Lezama and Rajesh Ranganath},
journal= {arXiv preprint arXiv:1901.05437},
year = {2019}
}