A Structured, Probabilistic Representation of Action
Stanford University(斯坦福大学)
当智能体在现实世界中设计执行计划时,他们面临两种重要形式的不确定性:他们永远无法完全了解世界的状态,并且他们没有完全的控制权,因为他们的行动的效果是不确定的。虽然大多数经典的规划方法避免明确的不确定性推理,我们认为,不确定性应该明确表示和推理。我们开发了一个概率表示的状态和行动,基于信念网络。我们定义了条件信念网(CBN),以捕捉一个动作对世界状态的影响的概率依赖性。我们还使用CBN来表示环境中实体之间的内在关系,这些关系在状态之间持续存在。我们提出了一个简单的投影算法来构建一个行动的后续状态的信念网络,使用环境CBN模型来推断间接影响。我们讨论了如何定性方面的信念网络和CBN使他们适合的各个阶段的问题解决过程中,从模型构建规划算法的设计。
2013-02-27 cs.AI
Intelligent Probabilistic Inference
Stanford University(斯坦福大学)
在计算机上分析实际的概率模型,需要一个方便的表示可用的知识和一个有效的算法来执行推理。影响图是一种很有吸引力的表示方法,它是一种网络,可以明确模型中的随机变量及其概率依赖关系。最近的进展已经开发了基于影响图的求解程序。在本文中,我们研究的基本属性,这些技术的基础上,和信息的概率结构,可在影响图表示。影响图是计算机处理的方便表示,同时也是清晰和非数学的。它精确地显示了概率依赖性,决策者和专家可以直观地理解和交流。因此,相同的影响图可用于构建、评估和分析模型,从而促进公式的变化和敏感性分析的反馈。本文的目标是从给定的概率模型确定任意的条件概率分布。给定关于模型中随机变量依赖性的定性信息,我们可以针对特定的条件表达式,精确地指定我们需要什么定量信息来确定所需的条件概率分布。它还表明,我们如何可以找到概率分布,通过执行本地操作,也就是说,在联合分布的子空间。通过这种方式,我们可以利用模型中存在的条件独立性,以避免构建或操作完整的联合分布。这些结果扩展到包括最大的处理时,可用的信息是不完整的,在不确定的环境中的最优决策。影响图作为一种计算机辅助建模工具,由Miller、Merkenstein和Howard [5]开发,并由Howard和Matheson [2]扩展。Owen [7]、Howard和Matheson [2]对如何在建模中使用它们进行了很好的描述。通过影响图解决决策问题的概念由O…
2013-03-27 cs.AI
Probabilistic Relational Planning with First Order Decision Diagrams
Oregon State University(俄勒冈州立大学);Tufts University(塔夫茨大学)
动态规划算法已成功地应用于命题随机规划问题,通过使用紧凑的表示,特别是代数决策图,捕捉域动态和价值函数。符号动态规划的工作提升了这些想法,一阶逻辑使用几种表示方案。最近的工作介绍了一阶变量的决策图(FODD),并开发了一个值迭代算法,这种表示。本文开发了几个改进的FODD算法,使该方法的实用。这些包括,新的减少运营商,减少的大小表示,几个加速技术,和技术的值近似。在此基础上,提出了一个求解相关随机规划问题的规划系统FODD-Planner。该系统在几个领域进行了评估,包括最近的国际规划竞赛的问题,并显示出与顶级系统的竞争力。这是第一次证明这种方法的可行性,它表明,通过紧凑的表示抽象是一个很有前途的方法随机规划。
2014-01-16 cs.AI
SketchAgent: Generating Structured Diagrams from Hand-Drawn Sketches
Westlake University(西湖大学);Zhejiang University(浙江大学);University of Chinese Academy of Sciences(中国科学院大学)
SketchAgent是一个多智能体系统,通过集成草图识别、符号推理和迭代验证,将手绘草图自动转换为结构化图表,并引入Sketch2Diagram基准以评估其有效性。
2025-08-02 cs.AI
Interval Influence Diagrams
Rockwell International Science Center Palo Alto Laboratory(罗克韦尔国际科学中心帕洛阿尔托实验室)
我们描述了一种机制,用于执行概率推理的影响图使用区间,而不是点值的概率。我们得出的程序节点删除(对应于条件期望)和弧反转(对应于贝叶斯条件)的影响图中的概率下限存储在每个节点。所得到的界限变换图中示出的是最佳的一类约束的概率分布,可以表示为专门的组件的概率图的下限。可以执行这些操作的序列来回答输入中具有不确定性的概率查询,并对影响图执行敏感性分析。这种方法的存储要求和计算复杂性与点值概率推理机制的存储要求和计算复杂性相当,使得该方法对于执行灵敏度分析和概率信息不可用的情况具有吸引力。有限的经验数据的方法的实施提供。
2013-03-27 cs.AI
Integrating Logical and Probabilistic Reasoning for Decision Making
Rockwell International Science Center(罗克韦尔国际科学中心);Stanford University(斯坦福大学)
我们描述了一种表示和一组推理方法,结合逻辑编程技术与概率网络表示的不确定性(影响图)。该技术强调复杂和不确定领域的概率和决策理论模型的动态构建和解决方案。给定一个查询,如果可能的话,会产生一个逻辑证明;如果不可能,会产生一个基于查询和决策域知识的影响图,并随后求解。一个统一的声明,一阶,知识表示相结合的逻辑,概率和决策理论推理的综合推理过程。
2013-03-27 cs.AI
Probabilistic Search for Structured Data via Probabilistic Programming and Nonparametric Bayes
Massachusetts Institute of Technology(麻省理工学院)
数据库分布广泛,但提取相关数据可能很困难。在没有大量领域知识的情况下,多变量搜索查询通常返回稀疏或无信息的结果。提出了一种基于概率规划和非参数贝叶斯的结构化数据搜索方法。用户使用概率语言指定查询,该语言将标准SQL数据库搜索操作符与称为预测相关性的信息理论排名功能相结合。预测相关性可以通过基于来自CrossCat的后验样本的快速稀疏矩阵算法来计算,CrossCat是用于高维、异质类型数据表的非参数贝叶斯模型。其结果是一个灵活的搜索技术,适用于广泛的一类信息检索问题,我们集成到贝叶斯数据库,概率数据分析的概率编程平台。本文展示了美国大学数据库,全球公共卫生宏观经济指标和经典汽车的应用程序。我们发现,人类评估者通常更喜欢概率搜索的结果,而不是标准基线的结果。
2017-04-04 cs.AI cs.DB cs.LG
Strudel: Learning Structured-Decomposable Probabilistic Circuits
University of California Los Angeles(加州大学洛杉矶分校)
概率电路(PC)将概率分布表示为计算图。在这些图上强制执行结构属性可以保证几个推理场景变得易于处理。在这些属性中,结构化可分解性是一个特别有吸引力的属性:它可以有效和精确地计算复杂逻辑公式的概率,并可以用来推理某些预测模型在缺失数据下的预期输出。本文提出了Strudel,一个简单,快速和准确的学习算法的结构可分解的PC机。与之前学习结构化可分解PC的工作相比,Strudel在更少的迭代中提供了更准确的单个PC模型,并在构建PC集合时显着扩展学习。它通过利用PC的另一个结构属性(称为确定性)以及在混合组分之间共享相同的计算图来实现这种可扩展性。我们在标准密度估计基准和具有挑战性的推理场景中展示了这些优势。
2020-09-02 cs.AI cs.LG
Weighted Positive Binary Decision Diagrams for Exact Probabilistic Inference
Radboud University Nijmegen(拉德堡德大学奈梅亨分校)
最近的工作加权模型计数已非常成功地应用于贝叶斯网络的概率推理问题。概率分布被编码成布尔范式并编译成目标语言,以便更有效地表示条件概率之间表达的局部结构。我们表明,进一步的改进是可能的,通过利用知识,在编码阶段丢失,并将其纳入编译器的启发可满足性模理论。变量之间的约束被用作背景理论,这使我们能够优化香农分解。我们提出了一种新的语言,称为加权正二进制决策图,通过使用这种分解变体,以减少尺寸的算术电路,从而降低概率推理的成本。
2016-10-18 cs.AI cs.LO
Evaluating influence diagrams with decision circuits
Stanford University(斯坦福大学)
虽然已经开发了一些相关的算法来评估影响图,利用图中的条件独立性,精确的解决方案仍然是棘手的许多重要问题。在本文中,我们引入决策电路作为一种手段,利用当地的结构通常发现的决策问题,并提高性能的影响图分析。这项工作建立在概率推理算法的基础上,使用算术电路来表示贝叶斯信念网络[Darwiche,2003]。一旦编译,这些算术电路有效地评估信念网络上的概率查询,并且已经开发了利用网络的全局和局部结构的方法。我们表明,决策电路可以以类似的方式构建,并承诺类似的好处。
2012-06-20 cs.AI
On the Expressive Power of Tree-Structured Probabilistic Circuits
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文研究树结构与 DAG 结构概率电路的表达能力差异,证明无深度限制时等价树仅需拟多项式大小,但深度受限时二者存在超多项式分离。
2024-10-24 cs.AI cs.LG
Belief Revision in Structured Probabilistic Argumentation
U.S. Military Academy(美国军事学院);University of Oxford(牛津大学);Universidad Nacional del Sur(南方国立大学)
在实际应用中,由特定领域的所有信息组成的知识库,以及当前的事态,必然包含来自不同来源的矛盾数据,以及带有不同程度不确定性的数据。同样,与维护知识库相关的工作的一个重要方面是决定哪些信息不再有用;信息片段(如情报报告)可能已经过时,可能来自最近发现的低质量来源,或者可能有大量证据与之相矛盾。在本文中,我们提出了一个概率结构化的论证框架,产生于扩展的假设可废止逻辑编程(PreDeLP)与概率模型,并认为这种形式主义是能够解决的基本问题,处理矛盾和不确定的数据。然后,为了解决最后一个问题,我们专注于研究概率PreDeLP程序上的非优先信念修正操作。我们提出了一套合理性假设-基于著名的经典知识库开发-的特点,这些操作应该如何表现,并研究了一类运营商的理论关系与建议的假设,包括表示定理,说明这类和一类运营商之间的等价性,其特征在于由假设。
2014-01-07 cs.AI cs.LO
A Linear Approximation Method for Probabilistic Inference
Stanford University(斯坦福大学);Duke University(杜克大学)
给出了连续型随机变量概率推断的一种近似方法。这些问题可能出现在许多实际问题中,特别是在有“二阶”概率的情况下。近似,基于高斯影响图,迭代线性近似推理问题。
2013-03-27 cs.AI
Federated Learning with Energy-Based Structured Probabilistic Inference
提出使用条件随机场(CRF)优化联邦学习中客户端聚合权重,通过一元势和成对势建模客户端可靠性与交互,提升非IID数据下的全局模型收敛性能。
2026-10-14 cs.AI cs.LG
Solving the Goddard problem by an influence diagram
Institute of Information Theory and Automation, Czech Academy of Sciences(捷克科学院信息理论与自动化研究所)
影响图是概率图模型的决策理论扩展。在本文中,我们将展示如何使用它们来解决戈达德问题。我们提出了这个问题的数值实验结果,并比较影响图提供的最优解的解决方案。
2017-03-21 cs.AI
A Probabilistic Approach for Learning Folksonomies from Structured Data
学习结构化表示已经成为许多领域的重要问题,包括文档和Web数据采掘,生物信息学和图像分析。学习复杂结构的一种方法是整合许多较小的、不完整的和有噪声的结构片段。在这项工作中,我们提出了一个无监督的概率方法,扩展亲和传播结合成一个集成的,一致的,更大的大众分类的小本体片段。这是一项具有挑战性的任务,因为该方法必须聚合相似的结构,同时避免结构不一致和处理噪声。我们验证的方法在现实世界的社交媒体数据集,由许多个人用户指定的浅的个人层次结构,从照片共享网站Flickr收集。我们的实证结果表明,我们提出的方法是能够构建更深,更密集的结构相比,只使用标准的亲和传播算法的方法。此外,该方法产生更好的整体集成质量比一个国家的最先进的方法,基于增量关系聚类。
2010-11-16 cs.AI cs.CY cs.LG
Probabilistic Time Series Forecasting with Structured Shape and Temporal Diversity
EDF(法国电力集团);CNAM(法国国立工艺学院)
概率预测是对未来可能结果的分布进行预测。在本文中,我们解决这个问题的非平稳时间序列,这是非常具有挑战性的,但至关重要的。我们引入了基于形状和时间特征表示结构多样性的STRIPE模型,确保了可能的预测,同时又清晰准确。STRIPE对预测模型是不可知的,我们为它配备了一个依赖于决定点过程(DPP)的多样化机制。我们引入了两个DPP内核,用于在形状和时间方面对不同的轨迹进行建模,这两个内核都是可微的,并且被证明是半正定的。为了对多样性结构进行显式控制,我们还设计了一种迭代采样机制来解开潜在空间中的形状和时间表示。在合成数据集上进行的实验表明,在保持预测模型准确性的同时,STRIPE在表示多样性方面明显优于基线方法。我们还强调了迭代抽样方案的相关性和使用不同标准来衡量质量和多样性的重要性。最后,在真实数据集上的实验表明,STRIPE能够在最佳样本预测方面优于最先进的概率预测方法。
2021-04-10 cs.AI cs.LG stat.ML
Restructuring Tractable Probabilistic Circuits
University of California, Los Angeles(加州大学洛杉矶分校)
本文研究重构结构化概率电路以符合目标vtree,提出通用方法导出不同vtree电路相乘的多项式时间算法及保结构化可分解性的深度削减算法,为可处理推理开辟新途径。
2025-04-30 cs.AI cs.LG
Sum-Product-Set Networks: Deep Tractable Models for Tree-Structured Graphs
Artificial Intelligence Center, Czech Technical University(捷克技术大学人工智能中心)
针对现有生成式概率模型在树结构图上推断不可处理的问题,提出将概率电路扩展到树结构图数据的和积集网络,通过随机有限集实现高效精确推断,性能与多种神经网络类不可处理模型相当。
2024-08-18 cs.AI cs.LG
AND/OR Multi-Valued Decision Diagrams (AOMDDs) for Weighted Graphical Models
编译图形模型最近一直在紧张的调查,特别是概率建模和处理。我们在这里提出了一种新的数据结构编译加权图形模型(特别是概率模型),称为与或多值决策图(AOMDD)。这是我们以前在约束网络上的工作的推广,加权模型。AOMDD基于图模型的AND/OR搜索空间和有序二元决策图(OBDD)的框架。AOMDD是图形模型的规范表示,其大小和编译时间受图的树宽指数约束,而不是OBDD已知的路径宽度。本文讨论了编译中的变量消除算法,提出了一种结合两个加权AOMDD的通用APPLY算法,并提出了一种基于搜索的编译方法。初步的实验评估是相当令人鼓舞的,显示了AOMDD数据结构的潜力。
2012-06-20 cs.AI
SPUDD: Stochastic Planning using Decision Diagrams
University of British Columbia(不列颠哥伦比亚大学)
马尔可夫决策过程(MDP)作为决策理论规划的模型越来越受欢迎。虽然传统的动态规划方法对于状态空间较小的问题表现良好,但对于大型问题则需要结构化方法。我们提出并研究了一个MDP的值迭代算法,它使用代数决策图(ADD)来表示价值函数和策略。一个MDP表示使用贝叶斯网络和ADDs和动态规划直接应用于这些ADDs。我们证明了我们的方法在大型MDP(高达6300万个状态),并表明,显着的收益相比,树结构的表示(与高达30倍减少所需的节点数量表示最佳价值函数)。
2013-01-23 cs.AI
Structured Extraction from Business Process Diagrams Using Vision-Language Models
Queen's University Belfast(女王大学贝尔法斯特)
本文提出使用视觉-语言模型和OCR技术从BPMN图像中提取结构化数据,无需源文件或文本注释。
2025-11-27 cs.AI cs.IR
Semantic Probabilistic Layers for Neuro-Symbolic Learning
UCLA(加州大学洛杉矶分校);University of Trento(特伦托大学);University of Edinburgh(爱丁堡大学)
我们为结构化输出预测(SOP)设计了一个预测层,它可以插入任何神经网络,保证其预测与一组预定义的符号约束一致。我们的语义概率层(SPL)可以在结构化的输出空间上对复杂的相关性和硬约束进行建模,同时通过最大似然进行端到端学习。SPL以一种干净和模块化的方式将精确的概率推理与逻辑推理相结合,学习复杂的分布并将其支持限制在约束的解决方案上。因此,他们可以忠实地,有效地,模型复杂的SOP任务超出了替代神经符号的方法。我们的经验表明,SPL优于这些竞争对手在具有挑战性的SOP任务,包括分层多标签分类,寻路和偏好学习的准确性,同时保持完美的约束满足。
2022-06-01 cs.AI cs.LG
Probabilistic Conditional Preference Networks
IRIT-CNRS(法国国家科学研究中心图卢兹信息研究所);GREYC(GREYC实验室);Toulouse University(图卢兹大学);Caen University(卡昂大学)
为了表示一组个体的偏好,我们引入了概率CP网(PCP网)。PCP网提供了一种紧凑的语言来表示偏好排序的概率分布。我们认为,他们是有用的聚合偏好或建模嘈杂的偏好。然后,我们给出了有效的算法的主要推理问题,即计算的概率,一个给定的结果是首选的另一个,和概率,一个给定的结果是最佳的。作为一个副产品,我们得到了一个意想不到的线性时间算法检查在一个标准的,树结构的CP-网的优势。
2013-09-26 cs.AI
Hinge-Loss Markov Random Fields and Probabilistic Soft Logic
Stanford University(斯坦福大学);DataStax(DataStax 公司);Virginia Tech(弗吉尼亚理工大学);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
开发高影响力机器学习技术的一个根本挑战是平衡对丰富结构化领域建模的需求与扩展到大数据的能力。许多重要的问题领域都是结构丰富和规模庞大的,从社会和生物网络,到知识图谱和Web,再到图像、视频和自然语言。在本文中,我们介绍了两个新的形式主义建模结构化数据,并表明他们都可以捕捉丰富的结构和规模的大数据。首先,铰链损失马尔可夫随机场(HL-MRF),是一种新的概率图形模型,推广了不同的方法凸推理。我们统一了三种方法,从随机算法,概率图形模型,和模糊逻辑社区,表明这三个导致相同的推理目标。然后,我们定义HL-MRF通过概括这个统一的目标。第二种新的形式主义,概率软逻辑(PSL),是一种概率程序设计语言,使HL-MRF易于使用基于一阶逻辑的语法定义。我们介绍了一种算法,用于推断最可能的变量分配(MAP推断),这是更可扩展的比通用凸优化方法,因为它使用消息传递,以利用稀疏依赖结构。然后,我们展示了如何学习HL-MRF的参数。学习的HL-MRF与类似的离散模型一样准确,但更具可扩展性。总之,这些算法使HL-MRF和PSL能够以以前不可能的规模对丰富的结构化数据进行建模。
2017-11-17 cs.AI cs.LG stat.ML
Tractable Inference in Credal Sentential Decision Diagrams
Istituto Dalle Molle di Studi per l’Intelligenza Artificiale(达勒·莫勒人工智能研究所);Institute of Mathematics and Statistics, University of São Paulo(圣保罗大学数学与统计研究所)
概率决策图是逻辑电路,其中选通门的输入由概率值注释。它们允许在布尔变量集上定义的联合概率质量函数的紧凑表示,这也与电路定义的逻辑约束一致。这种模型中的概率通常是从一组观察中学习的。当数据稀缺、不可靠或相互冲突时,这会导致过度自信和先验依赖的推断。在这项工作中,我们开发的credal的概率决策图,其概率对应的概括,允许取代本地概率(所谓的credal)集的质量函数。这些模型在布尔变量集上引入了一个联合信用集,该联合信用集将概率零急剧分配给与逻辑约束不一致的状态。三个推理算法推导出这些模型,这些允许计算:(i)下和上概率的观察任意数量的变量,(ii)下和上的条件概率的状态的一个单一的变量的观察给定的;(三)是否所有与信用规范兼容的概率决策图都具有相同的最可能解释给定一组变量,给定对其他变量的观察。这些推论是易于处理的,因为所有三个算法,基于自底向上遍历与局部线性规划任务的析取门,可以解决在多项式时间相对于电路的大小。对于第一个经验验证,我们考虑一个简单的应用程序的基础上嘈杂的七段显示器图像。观察到的credal模型,以正确区分容易和难以检测的实例,并优于其他生成模型不能应付逻辑约束。
2020-08-19 cs.AI
Learning of Structurally Unambiguous Probabilistic Grammars
Ben-Gurion University(本-古里安大学)
本文针对结构无歧义概率上下文无关文法的拓扑学习问题,提出基于共线性多重性树自动机的多项式查询学习算法,并证明可转换为完整概率文法。
2023-02-07 cs.AI cs.LO
Automated Variational Inference in Probabilistic Programming
基于变分规划的随机梯度,提出了概率规划近似推理的一种新算法。这种方法是有效的,没有限制的概率程序,它是特别实用的分布,这是不容易分析,包括高度结构化的分布,出现在概率程序。我们展示了如何自动推导平均场概率程序并对其进行优化,并证明了我们的观点比其他算法提高了推理效率。
2013-01-07 cs.AI cs.LG stat.ML
ERUnderstand: Evaluating Vision-Language Models on Structured ER Diagrams
Temple University(天普大学)
研究针对实体关系图仅为图像限制AI辅助数据库工程的问题,引入ERUnderstand基准测试。通过对2960个图表及标准化表示评估视觉语言模型,发现常见元素恢复良好,但特定元素性能差,推理增强模型可提升性能,为评估多模态理解提供基准。
2026-07-28 cs.AI cs.CV cs.DB
SCAFFOLD: A Large-Scale Structured Dataset of Computer Science Research Figures with Diagram QA and Chain-of-Thought Reasoning Traces
Kathmandu University(加德满都大学)
研究人员构建了含问答与思维链轨迹的SCAFFOLD系列计算机科学图表数据集,含三个规模子集,并用SCAFFOLD-12K在Qwen2.5-VL-3B-Instruct上完成基线实验,为视觉语言模型训练提供支撑。
2026-09-02 cs.AI cs.CV
Smoothing Structured Decomposable Circuits
University of California, Los Angeles(加州大学洛杉矶分校);University of Washington(华盛顿大学);LTCI, Télécom Paris, IP Paris(巴黎理工学院电信学院LTCI实验室)
我们研究平滑电路的任务,即,确保加门的所有子门都提到相同的变量。电路是离散概率图形模型和概率程序的最新推理算法的构建块。它们对于离散密度估计算法也是重要的。这些任务中有许多要求输入电路平滑。然而,平滑还没有研究自己的权利,只有一个平凡的二次算法是已知的。本文研究结构化可分解电路的有效平滑。我们提出了一个近线性的时间算法,这项任务,并探讨下限平滑可分解的电路,使用现有的结果范围和查询。此外,对于所有边缘的重要情况下,我们展示了一个更有效的线性时间算法。我们通过实验验证了我们的方法的性能。
2019-10-28 cs.AI cs.LG
Contextual Plackett-Luce: An Efficient Neural Model for Probabilistic Sequence Selection under Ambiguity
Mobileye
本文提出Contextual Plackett-Luce模型,结合全并行评分与轻量级自回归选择过程,提升在模糊监督下的序列选择效率与鲁棒性。
2026-05-09 cs.AI cs.LG
Solving the Brachistochrone Problem by an Influence Diagram
Institute of Information Theory and Automation, Czech Academy of Sciences(捷克科学院信息理论与自动化研究所)
影响图是概率图模型的决策理论扩展。在本文中,我们将展示如何使用它们来解决Brachistochrone问题。我们给出了这个问题的数值实验结果,比较了由影响图提供的解与最优解。用于实验的R代码见附录。
2017-02-04 cs.AI math.OC
Hidden Tree Markov Networks: Deep and Wide Learning for Structured Data
Università di Pisa(比萨大学)
本文介绍了隐树马尔可夫网络(HTN),神经概率混合融合的生成模型的表示能力与神经网络的增量和判别式学习能力的树木。我们提出了一种模块化架构,在该架构中,训练复杂度有限的多个生成模型来学习结构特征检测器,然后在稍后阶段将其输出组合并由神经层集成。在这方面,由于生成模型在输入结构上的展开,该模型既很深,又很宽,因为可以并行训练的生成模块可能很多。实验结果表明,该方法可以优于最先进的语法内核,以及生成内核建立在相同的概率模型的HTN。
2017-11-21 cs.AI cs.LG cs.NE
Structured Adversarial Camouflage via Voronoi Diagrams
Fraunhofer IOSB and Fraunhofer Center for Machine Learning(弗劳恩霍夫光学、系统技术及图像处理研究所和弗劳恩霍夫机器学习中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
提出通过软分配优化种子点位置生成结构化伪装图案,在固定调色板下有效降低行人检测AP,且攻击可跨域转移。
2026-06-17 cs.AI cs.CV
MermaidSeqBench: An Evaluation Benchmark for NL-to-Mermaid Sequence Diagram Generation
IBM Research(IBM研究院)
本文提出MermaidSeqBench,通过混合方法构建132个样本,评估LLM生成Mermaid序列图的能力,揭示模型间显著能力差异。
2026-08-07 cs.AI cs.LG cs.SE
Coarse-to-Fine Sequential Monte Carlo for Probabilistic Programs
Stanford University(斯坦福大学)
概率推理的许多实用技术需要一系列分布,这些分布在易处理的分布和感兴趣的难处理的分布之间进行插值。通常,使用的序列是简单的,例如,基于分布之间的几何平均值。当模型表示为概率程序时,模型本身是高度结构化的对象,可以用于导出对域结构更敏感的退火序列。我们提出了一种算法,用于将概率程序转换为具有与原始程序相同的边缘分布的粗到细程序,但生成的数据在增加的细节水平,从粗到细。我们将此算法应用于伊辛模型,其深度从视差变化,和阶乘隐马尔可夫模型。我们初步的证据表明,使用粗到细的模型可以使现有的通用推理算法更有效。
2015-09-09 cs.AI stat.ML
I Know What I Don't Know: Latent Posterior Factor Models for Multi-Evidence Probabilistic Reasoning
Epalea
本文提出LPF模型,通过将变分自编码器的潜在后验转换为软似然因子,实现对无结构证据的可 tractable 概率推理,同时保持校准的不确定性估计。
2026-03-18 cs.AI cs.LG
RxnScribe: A Sequence Generation Model for Reaction Diagram Parsing
Artificial Intelligence Laboratory, MIT, Cambridge, MA, 02139;Department of Chemical Engineering, MIT, Cambridge, MA, 02139
针对化学文献中复杂反应图解析的挑战,提出基于序列生成的端到端机器学习模型RxnScribe,在1,378张图的数据集上实现80.0%软匹配F1分数,显著超越以往模型。
2023-05-19 cs.AI cs.CL cs.CV
StarFlow: Generating Structured Workflow Outputs From Sketch Images
ServiceNow;University of British Columbia(不列颠哥伦比亚大学);Mila(米拉);École de Technologie Supérieure(高等技术学院);Polytechnique Montréal(蒙特利尔理工学院)
StarFlow通过视觉-语言模型从草图自动生成结构化工作流,提升了自动化流程的构建效率。
2026-01-12 cs.AI cs.CV cs.LG
Scalable Probabilistic Routes
National University of Singapore(新加坡国立大学);GrabTaxi Holdings(GrabTaxi控股公司)
针对路线预测中决策图规模过大的问题,提出线性变量松弛编码和单次采样方法,使系统在真实路网上质量翻倍且速度提升一个数量级。
2023-06-19 cs.AI cs.LG cs.LO