Abstracting Probabilistic Actions
University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校)
本文讨论了条件概率动作的抽象问题。我们确定了两种不同类型的抽象:动作内抽象和动作间抽象。我们定义了动作的抽象是正确的,然后根据这个标准推导出两种动作内抽象方法和两种动作间抽象方法。我们说明了开发的技术,通过将它们应用到行动描述的时间行动表示中使用的DRIPS决策理论的规划师,我们描述了如何使用抽象的规划,以减少规划的复杂性。
2013-02-27 cs.AI
Dynamic probabilistic logic models for effective abstractions in RL
The University of Texas at Dallas(德克萨斯大学达拉斯分校);Robert Bosch Centre for Data Science and Artificial Intelligence at Indian Institute of Technology Madras(印度理工学院马德拉斯分校罗伯特·博世数据科学与人工智能中心);Oregon State University(俄勒冈州立大学)
在复杂的强化学习环境中,状态抽象可以实现样本高效学习和更好的任务转移。最近,我们提出了RePReL(Kokel et al. 2021),这是一个分层框架,它利用关系规划器为学习提供有用的状态抽象。我们提出了一个简短的概述,这个框架和使用动态概率逻辑模型来设计这些状态抽象。我们的实验表明,RePReL不仅在手头的任务上实现了更好的性能和有效的学习,而且对看不见的任务也表现出更好的泛化能力。
2021-10-15 cs.AI
Pyramid MoA: A Probabilistic Framework for Cost-Optimized Anytime Inference
本文提出Pyramid MoA框架,通过概率方法优化任何时间推断,实现高效查询路由和计算节省。
2026-04-12 cs.AI cs.CL cs.LG
Probabilistic Focal Search: Accelerating Bounded-Suboptimal Search via Lower-Bound Advancement
National Economics University(国民经济大学);University of Warwick(华威大学);Hanoi University of Science and Technology(河内理工大学)
提出概率焦点搜索(PFS),通过概率性扩展最小f节点推进下界,加速有界次优搜索,在瓶颈场景下减少约90%节点扩展,并优于现有算法。
2026-09-11 cs.AI
Probabilistic Conceptual Network: A Belief Representation Scheme for Utility-Based Categorization
Stanford University(斯坦福大学)
概率概念网络是一种知识表示方案,用于基于效用的分类中的概念推理和分类抽象。该方案结合了人工智能的抽象和继承层次的形式主义,和决策分析的概率网络。它提供了一个表示概念知识、层次知识和不确定性的通用框架。它促进了在不同抽象层次上动态构建分类决策模型。该计划被应用到一个自动化加工问题的推理机器的状态在不同的抽象层次,以支持行动,以保持竞争力的工厂。
2013-03-06 cs.AI
A Data-Transparent Probabilistic Model of Temporal Propositional Abstraction
Cardiff University(卡迪夫大学)
本文提出一种数据驱动的时间命题推理概率模型,将领域知识视为数据编码的产物,证明其等价于全记忆马尔可夫链,并利用极限处理数据稀缺问题,以提升数据透明度。
2025-07-04 cs.AI
Theoretical Foundations for Abstraction-Based Probabilistic Planning
University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校)
不确定性下的世界和行为建模是决策理论规划框架中的核心问题之一。这种表示必须足够普遍,以捕捉现实世界的问题,但同时它必须提供一个基础上,理论结果可以得出。我们在这里提出的框架中的中心概念是仿射算子,它是构造概率分布(凸)集的工具,可以被认为是置信函数和区间质量分配的推广。在世界的状态的不确定性建模的概率分布集,表示为仿射树,而行动被定义为树操纵器。一个小集合的仿射算子的关键属性,形成的基础上,大多数现有的基于操作的概率动作投影和动作抽象的定义。我们推导并证明了正确的三个投影规则,生动地说明了在平面投影中的精度和复杂性的权衡。最后,我们将展示Haddawy和Doan确定的三种类型的动作抽象在本框架中的表现。
2013-02-13 cs.AI
State-Space Abstractions for Probabilistic Inference: A Systematic Review
University of Rostock(罗斯托克大学)
诸如社会网络分析、人类行为识别或生化反应建模之类的任务可以通过使用概率推理框架来优雅地解决。然而,标准的概率推理算法在命题级别上工作,因此无法捕获这些任务中存在的对称性和冗余性。利用这些对称性的算法已经在不同的研究领域中被设计出来,例如通过提升推理,多对象跟踪以及建模和仿真社区。通常的想法,我们称之为状态空间抽象,是在对称状态集的紧凑表示上执行推理。虽然他们关注的是一个类似的主题,这些方法之间的关系还没有得到系统的研究。这项调查提供了以下贡献。我们进行了系统的文献综述,概述了利用对称性的概率推理方法的最新发展。从最初的4,000多篇论文中,我们确定了116篇相关论文。此外,我们提供了新的高层次的类别,分类的方法,根据共同的属性的方法。每个类别的研究领域进行了简要介绍。来自不同领域的研究人员在概率系统中遇到状态空间爆炸问题时,可以使用这种分类来识别可能的解决方案。最后,基于这种概念化,我们确定了未来研究的潜力,因为一些相关的应用领域没有解决目前的方法。
2018-12-04 cs.AI
Abstraction-based Probabilistic Stability Analysis of Polyhedral Probabilistic Hybrid Systems
Kansas State University(堪萨斯州立大学)
本文研究多面体概率混合系统(PPHS)的概率稳定性分析问题,提出一种基于抽象的框架,通过构建有限MDP并使用多项式时间算法验证属性,成功实现对该系统概率稳定性的验证。
2023-03-29 cs.AI cs.SY eess.SY
Abstracting Noisy Robot Programs
RWTH Aachen University(亚琛工业大学);University of Edinburgh(爱丁堡大学)
抽象是一种常用的过程,通过更粗略的规范来表示一些低级系统,目的是在保留重要方面的同时省略不必要的细节。虽然最近关于情境演算抽象的工作主要集中在非概率领域,但我们描述了一种抽象概率和动态系统的方法。基于概率信念的情况演算的一个变体,我们定义了互模拟的概念,它允许抽象一个详细的概率基本动作理论与嘈杂的执行器和传感器由一个可能的非随机基本动作理论。通过这样做,我们得到抽象Golog程序,省略不必要的细节,可以翻译回一个详细的程序,用于实际执行。这简化了噪声机器人程序的实现,开辟了使用非随机推理方法的可能性(例如,规划)的概率问题,并提供更容易理解和解释的领域描述。
2023-03-01 cs.AI
Information-Theoretic Abstractions for Planning in Agents with Computational Constraints
Georgia Institute of Technology(佐治亚理工学院);University of North Carolina, Charlotte(北卡罗来纳大学夏洛特分校)
在本文中,我们开发了一个框架,路径规划的抽象,不提供给代理先验,而是出现作为一个功能的可用计算资源。我们展示了如何在一个环境中的路径规划问题可以系统地近似解决一系列更容易解决的问题上的抽象的原始空间。对问题的性质进行了分析,并给出了一些理论结果和讨论。一个数值例子来显示该方法的实用性和证实的理论研究结果。最后,我们提供了一个讨论,详细介绍了所提出的方法,随时算法和有限理性的连接。
2021-02-23 cs.AI cs.IT cs.RO
Abstraction-Refinement for Hierarchical Probabilistic Models
Radboud University(拉德堡德大学);Delft University of Technology(代尔夫特理工大学)
马尔可夫决策过程是一个普遍存在的形式主义建模系统的非确定性和概率行为。这些模型的验证都是由著名的状态空间爆炸问题。我们缓解这个问题,利用重复部分的层次结构。这种结构不仅在机器人技术中自然发生,而且在描述概率的程序中也发生,例如,网络协议。这样的程序经常重复调用具有类似行为的子例程。在本文中,我们专注于一个本地的情况下,其中的子程序对整个系统状态的影响有限。加速这类程序分析的关键思想是:(1)将子程序的行为视为不确定的,只有在需要时才通过详细的分析来消除这种不确定性;(2)将类似的子程序抽象成参数模板,然后分析这个模板。这两个想法被嵌入到一个抽象细化循环,分析层次的MDP。一个原型实现显示了该方法的有效性。
2022-06-06 cs.AI cs.LO
A Foundational Theory of Quantitative Abstraction: Adjunctions, Duality, and Logic for Probabilistic Systems
本文提出概率系统定量抽象的理论框架,结合范畴论、余代数和最优传输,通过伴随关系和定量逻辑实现抽象与实现的对偶性,为概率领域中的状态抽象和表示学习提供严格基础。
2026-03-12 cs.AI cs.LG cs.LO
Abstracting Probabilistic Models: A Logical Perspective
University of Edinburgh(爱丁堡大学);Alan Turing Institute(艾伦·图灵研究所)
抽象是一种广泛应用于科学的强大思想,通过省略不相关的细节,在更易处理的搜索空间中对系统的行为进行建模、推理和解释。虽然抽象的概念已经成熟的确定性系统,抽象的概率模型的情况下尚未完全理解。在本文中,我们提供了一个语义框架,分析这种抽象的第一原则。我们开发的框架一般的方式,允许表达语言,包括基于逻辑的承认关系和层次结构与随机原语。我们激励一个高层次的模型和它的低层次的对应之间的一致性的定义,但也治疗的情况下,当高层次的模型是缺少关键信息存在于低层次的模型。我们证明属性的抽象,无论是在参数的水平,以及模型的结构。我们的结论与一些意见,如何抽象可以自动派生。
2020-01-13 cs.AI cs.LG cs.LO
TriCEGAR: A Trace-Driven Abstraction Mechanism for Agentic AI
JetBrains Research(JetBrains研究)
TriCEGAR是一种基于跟踪的自动抽象机制,用于代理AI中在线构建MDP并进行概率模型检查,以提高验证效率和可靠性。
2026-01-30 cs.AI cs.SE
Mitigating Disparity while Maximizing Reward: Tight Anytime Guarantee for Improving Bandits
Indian Institute of Science(印度科学学院);Arithmic Labs(Arithmic实验室);Indian Institute of Technology, Hyderabad(印度理工学院海得拉巴分校)
我们研究了改进多臂强盗(IMAB)问题,其中从手臂获得的奖励随着它收到的拉动次数而增加。这个模型为教育和就业等领域的许多现实问题提供了一个优雅的抽象,在这些领域,关于机会分配的决策可能会影响社区的未来能力和它们之间的差距。在这种情况下,决策者除了考虑在任何时候最大化其累积回报的标准目标外,还必须考虑其决策对未来回报的影响。在许多这些应用中,时间范围是未知的决策者事先,这促使IMAB问题的研究,在技术上更具挑战性的地平线不知道设置。我们研究了在视界不感知环境中两个看似冲突的目标之间产生的紧张关系:a)根据武器的当前奖励,在任何时候最大化累积奖励,以及b)确保具有更好的长期奖励的武器获得足够的机会,即使它们最初的奖励很低。我们发现,令人惊讶的是,这两个目标是相互一致的,在这种情况下。我们的主要贡献是一个随时算法的IMAB的问题,实现了最好的可能的累积奖励,同时确保武器达到其真正的潜力给予足够的时间。我们的算法减轻了由于缺乏机会而导致的初始差异,并继续拉动手臂,直到它停止改善。我们证明了我们的算法的最优性,表明a)任何算法的IMAB问题,无论多么功利,必须遭受$Ω(T)$政策遗憾和$Ω(k)$竞争比相对于最佳离线政策,和b)我们的算法的竞争比是$O(k)$。
2022-08-19 cs.AI cs.LG
Learning World Models With Hierarchical Temporal Abstractions: A Probabilistic Perspective
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);Technische Universität Darmstadt (TU Darmstadt)(达姆施塔特工业大学)
针对状态空间模型作为世界模型的局限性,提出Hidden-Parameter SSMs和Multi-Time Scale SSMs两种概率形式化体系,实现可扩展的分层时间抽象与不确定性建模,在长程预测任务中超越Transformer变体。
2025-06-30 cs.AI cs.LG
Data-driven Abstractions with Probabilistic Guarantees for Linear PETC Systems
TU Delft(代尔夫特理工大学)
我们采用的情况下的方法来计算可能近似正确(PAC)的边界上产生的平均样本间时间(AIST)由一个未知的PETC系统,基于有限数量的样本。我们扩展的情况下的方法,多类SVM算法,以构建一个PAC映射之间的具体的,未知的状态空间和样本间的时间。然后,我们建立了一个流量模型,应用$\ell$ -完全关系,并找到,在底层图中,最小和最大的平均重量的周期:这些提供了上下限的AIST。数值基准测试表明,我们的方法,这是对基于模型的国家的最先进的工具进行比较的实用性。
2022-03-10 cs.AI cs.FL cs.SY
Inducing Probabilistic Programs by Bayesian Program Merging
Stanford University(斯坦福大学);MIT(麻省理工学院)
本报告概述了一种从数据中学习生成模型的方法。我们将模型表示为概率程序,这使我们能够在示例中捕获抽象模式。通过选择我们的程序语言作为例子的代数数据类型的扩展,我们可以从生成所有且仅生成例子的程序开始。然后,我们逐步引入更大的抽象,从而进行概括,以提高给定程序的示例的后验概率。以前的方法模型合并和程序归纳的动机,我们寻找这样的解释性抽象程序转换。我们考虑两种类型的转换:抽象将程序中的公共子表达式合并为新函数(一种反统一形式)。去论证通过减少参数的数量来简化函数。我们证明,这种方法发现嵌套列表,包括参数化的子函数和随机递归域中的关键模式。
2011-10-25 cs.AI cs.LG
A Formal Tool for Verification of Probabilistic Spiking Neural Networks Based on Quotient Abstractions
Université Côte d'Azur, CNRS, I3S(法国大学皮特里特-德阿祖尔大学、国家科学研究中心、I3S研究所)
针对脉冲神经网络状态空间爆炸问题,提出权重离散化商抽象模型,并开发集成设计与验证的工具CogSpike,通过形式化保证实现指数级状态空间缩减。
2026-06-23 cs.AI cs.FL cs.NE
Near-Optimal Coalition Structures in Polynomial Time
Indraprastha Institute of Information Technology(印度普拉斯塔大学信息科技学院)
本文提出稀疏松弛方法在多项式时间内实现接近最优的联盟结构,相较于DP和MILP算法具有显著优势。
2025-12-25 cs.AI cs.GT
Information Lattice Learning as Probabilistic Graphical Model Structure Learning
Kocree, Inc.(Kocree公司);AI Innovation Institute, Stony Brook University(石溪大学人工智能创新研究所)
将信息格学习(ILL)解释为概率图模型结构学习,通过投影到分区格上学习可解释规则,并建立与最大熵和因子图的联系。
2026-06-19 cs.AI cs.LG eess.SP
Enhancing QPNs for Trade-off Resolution
Utrecht University(乌得勒支大学)
定性概率网络是贝叶斯信念网络的定性抽象。这些定性网络的主要缺点之一是其粗糙的细节水平,这可能导致在推理过程中无法解决的权衡。我们提出了一个增强的形式主义定性网络的细节层次更精细。增强型定性概率网络与常规定性网络的不同之处在于,它区分了强影响和弱影响。增强的定性概率网络本质上是纯定性的,就像常规的定性网络一样,但允许在推理过程中有效地解决权衡。
2013-01-23 cs.AI
Factored space models: Towards causality between levels of abstraction
Machine Intelligence Research Institute(机器智能研究所);University of Amsterdam(阿姆斯特丹大学);Goethe University Frankfurt(法兰克福大学);IT University of Copenhagen(哥本哈根信息技术大学)
针对因果图难以处理多抽象层级确定性关系的问题,提出分解空间模型以自然表示各层级的概率与确定性关系,并证明结构独立性与统计独立性等价,推广了d-分离定理。
2024-12-20 cs.AI
Encapsulating models and approximate inference programs in probabilistic modules
Computer Science & Artificial Intelligence Laboratory(计算机科学与人工智能实验室);Massachusetts Institute of Technology(麻省理工学院);Department of Brain & Cognitive Sciences(脑与认知科学系)
本文介绍了概率模块接口,它允许封装复杂的概率模型与潜变量一起自定义随机近似推理机,并提供了一个平台无关的抽象屏障分离的模型内部的主机概率推理系统。该接口可以被看作是一个随机推广的标准模拟和密度接口的概率原语。我们表明,健全的近似推理算法,可以构建网络的概率模块,我们证明了该接口可以实现使用学习随机推理网络和MCMC和SMC近似推理程序。
2017-05-06 cs.AI cs.LG stat.ML
Probabilistic DAG Search
University of Tübingen(图宾根大学);Microsoft Research(微软研究院);Max-Planck-Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
令人兴奋的当代机器学习问题最近被描述为树搜索的经典形式--最著名的是围棋。有趣的是,这些顺序决策问题背后的状态空间通常是一个比树更一般的潜在结构。在这项工作中,我们开发了一个概率框架,利用搜索空间的潜在结构,从而在整个搜索树共享信息。该方法是基于联合高斯模型中的近似推理的组合,探索的问题的一部分,和未探索的部分,实行了减少特设的复杂性的抽象。我们凭经验发现我们的算法相比,有利的现有的非概率的替代品,井字游戏和特征选择应用。
2021-06-16 cs.AI cs.LG
Tractable Querying and Learning in Hybrid Domains via Sum-Product Networks
University of Edinburgh(爱丁堡大学);Alan Turing Institute(艾伦·图灵研究所)
概率表示,如贝叶斯和马尔可夫网络,是统计机器学习的基础。因此,直接从数据中学习概率表示是一个很大的挑战,主要的计算瓶颈是难以处理的推理。易处理学习是一种强大的新范式,它试图学习支持高效概率查询的分布。通过利用局部结构,诸如和积网络(SPN)之类的表示可以捕获具有许多隐藏层的高树宽模型,本质上是一个深层架构,同时仍然允许一系列概率查询在网络大小的时间多项式中可计算。SPN中的叶节点是易于处理的单变量分布,因此文献集中在伯努利和高斯随机变量上。这显然是处理混合离散-连续数据的限制,特别是如果连续特征是从非参数和非高斯分布族生成的。在这项工作中,我们提出了一个框架,系统地集成SPN结构学习与加权模型集成,最近推出的计算抽象的混合域中进行推理,通过分段多项式逼近的任意形状的密度函数。我们的框架实例化利用命题抽象的概念,从而最小限度地干扰SPN结构学习模块,并支持一个强大的查询接口的条件区间约束。我们的实证结果表明,我们的方法是有效的,并允许学习模型的粒度和其预测能力之间的权衡研究。
2018-09-19 cs.AI cs.LG stat.ML