- Невронно вероятностно логическо програмиране в дискретно-непрекъснати домейни (arXiv)
Автор: Lennert De Smet, Pedro Zuidberg Dos Martires, Robin Manhaeve, Giuseppe Marra, Angelika Kimmig, Luc De Raedt
Резюме: Невронно-символичен AI (NeSy) позволява на невронните мрежи да използват символно фоново знание под формата на логика. Доказано е, че подпомага обучението в режим на ограничени данни и улеснява изводите за данни извън разпространението. Probabilistic NeSy се фокусира върху интегрирането на невронни мрежи както с логиката, така и с теорията на вероятностите, което допълнително позволява учене при несигурност. Основно ограничение на текущите вероятностни системи NeSy, като DeepProbLog, е тяхното ограничение до крайни вероятностни разпределения, т.е. дискретни случайни променливи. За разлика от това, дълбокото вероятностно програмиране (DPP) превъзхожда моделирането и оптимизирането на непрекъснатите вероятностни разпределения. Затова представяме DeepSeaProbLog, програмен език за невронна вероятностна логика, който включва DPP техники в NeSy. Това води до подкрепа на извода и изучаването както на дискретни, така и на непрекъснати вероятностни разпределения при логически ограничения. Основният ни принос е 1) семантиката на DeepSeaProbLog и съответния алгоритъм за извод, 2) доказан асимптотично безпристрастен алгоритъм за обучение и 3) поредица от експерименти, които илюстрират гъвкавостта на нашия подход.
2. Декларативно вероятностно логическо програмиране в дискретно-непрекъснати домейни (arXiv)
Автор: Pedro Zuidberg Dos Martires, Luc De Raedt, Angelika Kimmig
Резюме: През последните три десетилетия парадигмата на логическото програмиране беше успешно разширена, за да поддържа вероятностно моделиране, изводи и обучение. Получената парадигма на вероятностното логическо програмиране (PLP) и неговите програмни езици дължат голяма част от успеха си на декларативна семантика, така наречената семантика на разпределение. Семантиката на разпределението обаче е ограничена само до дискретни случайни променливи. Въпреки че PLP е разширен по различни начини за поддържане на хибридни, т.е. смесени дискретни и непрекъснати случайни променливи, все още ни липсва декларативна семантика за хибриден PLP, която не само обобщава семантиката на разпространение и езика за моделиране, но и стандартния алгоритъм за извод, който се основава на компилация на знания. Ние допринасяме за семантиката на хибридното разпределение заедно с хибридния PLP език DC-ProbLog и неговата машина за изводи с безкрайно алгебрично тегло на вероятността (IALW). Те имат оригиналната семантика на разпространение, стандартни PLP езици като ProbLog и стандартни машини за изводи за PLP, базирани на компилация на знания като специални случаи. По този начин ние обобщаваме състоянието на техниката на PLP към хибридния PLP в три различни аспекта: семантика, език и извод. Освен това IALW е първият алгоритъм за извод за хибридно вероятностно програмиране, базирано на компилация на знания.
