随机规划与提升推理
人工智能
2017-01-05 v1
摘要
提升概率推理(lifted probabilistic inference) (Poole, 2003) 和用于提升随机规划(lifted stochastic planning)的符号动态规划 (Boutilier et al, 2001) 大约在同时被引入，作为在随机系统中使用抽象的算法努力。多年来，这些思想演化为两条不同的研究路线，每条都有丰富的文献支持。提升概率推理聚焦于在有限域假设下对基于模板的图模型的高效算术运算，而符号动态规划聚焦于在丰富的量化逻辑动作模型中支持顺序决策以及开放域推理。鉴于它们共同的动机但不同的焦点，两条研究路线都产生了高度互补的创新。在本章中，我们旨在从概率推理的视角提供提升随机规划的综述，从而帮助缩小这两个研究领域之间的差距，展示与本书其他章节的强烈联系。这也使我们能够将广义提升推理(Generalized Lifted Inference)定义为统一这些领域的范式，并阐明未来研究中可使提升推理和随机规划均受益的开放问题。
引用
@article{arxiv.1701.01048,
title = {Stochastic Planning and Lifted Inference},
author = {Roni Khardon and Scott Sanner},
journal= {arXiv preprint arXiv:1701.01048},
year = {2017}
}