Simplifying Probabilistic Expressions in Causal Inference
University of Jyvaskyla(于韦斯屈莱大学)
获得介入分布的非参数表达式是因果推断中最基本的任务之一。这样的表达式可以通过算法或do演算的手动应用获得可识别的因果效应。通常,当涉及到缺失数据或测量误差时,我们会得到一个复杂的表达式,这可能导致有偏差或效率低下的估计。我们提出了一个自动简化算法,旨在消除符号不必要的变量,从这些表达式的基础图形模型的结构的优势。我们的方法适用于所有因果效应公式,并且在R包causaleffect中随时可用。
2018-06-19 cs.AI cs.LG stat.ML
Knowledge-Based Decision Model Construction for Hierarchical Diagnosis: A Preliminary Report
Oregon State University(俄勒冈州立大学)
目前正在开发许多在大型复杂的信念或决策网络中进行概率推理的方法。很少有研究自动化的动态,增量决策模型的建设。提出了一种统一的值驱动的层次化完全诊断决策模型构造方法。层次完整的诊断推理制定为一个随机过程,并使用影响图建模。在给定观测值的情况下,该方法建立决策模型,以便以最小的代价依次获得定位和修复故障的最佳行动。该方法以增量方式构造决策模型,将探测操作与模型构造和评估交错进行。该方法统一处理元级和基本级任务。也就是说,该方法需要一个决策理论看控制搜索的因果路径和结构层次。
2013-03-06 cs.AI
A Polynomial Translation of Logic Programs with Nested Expressions into Disjunctive Logic Programs: Preliminary Report
嵌套逻辑程序最近被引入,以便允许在答案集语义下的逻辑程序规则的头部和主体中的任意嵌套公式。嵌套表达式可以不受限制地使用合取、析取以及作为失败操作符的否定来形成。这为知识表示和推理提供了一个非常灵活和紧凑的框架。已有的结果表明,嵌套逻辑程序可以初等地转化为标准(非嵌套)析取逻辑程序,只需对体文字应用否定作为失败算子.这是非常实际的相关性,因为它允许我们评估嵌套的逻辑程序的手段,现成的析取逻辑编程系统,如DLV。然而,事实证明,这种简单的转换在最坏的情况下会导致指数爆破,尽管复杂性结果表明两种形式主义之间存在多项式转换。在本文中,我们接受了这一挑战,并提供了一个多项式的逻辑程序与嵌套表达式转换为析取逻辑程序。此外,我们表明,这种翻译是模块化的和(强)忠实。我们已经实现了简单的和高级的转换;生成的编译器作为DLV的前端,并在Web上公开提供。
2002-07-19 cs.AI cs.LO
Do We Need Higher-Order Probabilities and, If So, What Do They Mean?
UCLA(加利福尼亚大学洛杉矶分校)
个人的概率表达式区分不确定性的概率评估的不确定性真理的明显失败,促使研究人员寻求形式主义的两种类型的不确定性给予符号的区别。本文证明了所需的区别已经是经典概率模型的一个内置功能,因此,专门的符号是不必要的。
2013-03-27 cs.AI
A Bayesian model for recognizing handwritten mathematical expressions
University of Waterloo(滑铁卢大学)
识别手写数学是一个具有挑战性的分类问题,需要同时识别包括输入的所有符号以及符号和子表达式之间的复杂二维关系。由于手写输入中存在的模糊性,希望始终保持完美的识别精度通常是不现实的。我们提出了一个系统,它捕获所有可识别的解释的输入,并组织他们在一个解析森林,从单独的解析树可以提取和报告。如果排名最高的解释不正确,则用户可以请求替代并选择他们期望的识别结果。树提取步骤使用一种新的概率树评分策略,其中贝叶斯网络是基于输入的结构构建的,并且每个联合变量分配对应于不同的解析树。然后按照概率递减的顺序报告解析树。两个准确性评估表明,由此产生的识别系统比以前的版本(使用非概率方法)和其他学术数学识别器更准确。
2014-09-18 cs.AI
Mouse Movement and Probabilistic Graphical Models Based E-Learning Activity Recognition Improvement Possibilistic Model
Research Unit SAGE, National Engineering School of Sousse(苏塞国家工程学院 SAGE 研究单位)
自动识别e-learning活动是提高在线学习过程质量的一项重要任务。概率图模型,如隐马尔可夫模型和条件随机场已成功地用于识别Web用户的活动。对于这样的模型,观察序列对于训练和推理过程至关重要。尽管这些概率图形模型在分割和标记随机序列的效率,它们的性能受到不利影响的不完善的质量的数据用于建设的观察序列。在本文中,形式主义的可能性理论将被用来提出一种新的方法,观察序列的准备。我们的方法的杰出贡献是评估的可能性推理的效果在隐马尔可夫模型和条件随机场模型的有效性的观察序列的生成。使用包含51个与三种类型的学习者任务相关的真实操作的数据集,初步实验表明,基于可能性推理获得的观察序列显着提高了隐Marvov模型和条件随机场模型在自动识别e-learning活动中的性能。
2016-08-08 cs.AI
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
Inferring probabilistic Boolean networks from steady-state gene data samples
University of Surrey(萨里大学);De Montfort University(德蒙福特大学)
概率布尔网络已经被提出用于估计动力系统的行为,因为它们结合了基于规则的建模和不确定性原理。然而,直接从基因数据推断PBN是具有挑战性的,特别是当数据收集成本高和/或有噪声时,例如,在基因表达谱数据的情况下。在本文中,我们提出了一种可重复的方法,直接从真实的基因表达数据测量时,系统处于稳态推断PBN。PBN的稳态动力学在生物机械的分析中具有特殊的意义。所提出的方法不依赖于重构网络的状态演化,这对于较大的网络来说是计算上难以处理的。我们证明了从一个著名的研究转移性黑色素瘤的真实基因表达谱数据的样本的方法。管道是使用Python实现的,我们将其公开。
2022-11-11 cs.AI cs.SY eess.SY
From Probabilistic Programming to Complexity-based Programming
University of Amsterdam(阿姆斯特丹大学);Télécom Paris(巴黎电信学院);Paris-Saclay University(巴黎萨克雷大学)
本文提出名为CompLog的计算框架,基于Simplicity Theory和Kolmogorov复杂度计算替代概率推理,支持计算事后与事前意外性度量,并展示了生成描述及处理析取与否定等应用。
2023-09-11 cs.AI cs.CL
GPT as Psychologist? Preliminary Evaluations for GPT-4V on Visual Affective Computing
The Hong Kong University of Science & Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science & Technology(香港科技大学);Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院);Zhejiang University(浙江大学);Great Bay University(大湾区大学);Hangzhou Research Institute, Beihang University(北京航空航天大学杭州研究院);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
该研究评估GPT-4V在情感计算领域的5项关键能力,发现其面部动作单元识别、微表情检测准确率高但通用表情识别欠佳,验证了其对接智能体处理复杂任务的潜力,为MLLM在以人为本计算中的应用提供参考。
2024-04-10 cs.AI cs.CV
Causal Modeling with Probabilistic Simulation Models
Stanford University(斯坦福大学)
最近的作者提出了分析条件推理通过干预的概念在模拟程序,并发现了一个健全的和完整的公理化的逻辑条件在这种情况下。在这里,我们将此设置扩展到概率仿真模型的情况。我们给出了一个自然的定义的概率公式的条件语言,允许表达的反事实,并证明了这个定义的基本结果。我们还发现了一个公理化推理的线性不等式涉及概率在这种情况下。我们证明了这个逻辑的可满足性问题的可靠性,完备性和NP-完备性。
2018-07-30 cs.AI cs.LO
Revisable Justified Belief: Preliminary Report
University of Amsterdam(阿姆斯特丹大学)
条件Doxastic逻辑的理论$\mathsf{CDL}$是Board的条件信念的多智能体理论$\mathsf{BRSIC}$的单智能体版本。$\mathsf{CDL}$可以被视为AGM信念修正理论的一个版本,其中修正的布尔组合可以用语言表达。我们介绍了一个理论$\mathsf{JCDL}$的证明条件Doxastic逻辑,取代条件信念公式$B^ψφ$的表达式$t{\,:^ψ}φ$由一个长期$t$,其句法结构表明推导的信念$φ$后,修订$ψ$。这使我们可以把术语$t$看作是在修正发生后证明相信各种公式的理由。我们证明了$\mathsf{JCDL}$ -定理是$\mathsf{CDL}$ -定理的精确类似物,并且这个结果也成立。这使我们可以把$\mathsf{JCDL}$看作是一种可修正的合理信念理论。
2015-03-27 cs.AI cs.LO
Deep Amortized Inference for Probabilistic Programs
Stanford University(斯坦福大学)
概率论程序设计语言(PPL)是一种强大的建模工具,能够表示任何可计算的概率分布。不幸的是,概率程序推理往往是棘手的,现有的PPL主要依赖于昂贵的,近似抽样为基础的方法。为了缓解这个问题,人们可以尝试从过去的推理中学习,以便未来的推理运行得更快。这种策略被称为摊销推理;它最近被应用于贝叶斯网络和深度生成模型。本文提出了一个系统的摊销推理PPL。在我们的系统中,摊销是以参数化指导程序的形式出现的。引导程序具有与原始程序类似的结构,但可以具有更丰富的数据流,包括神经网络组件。这些网络可以被优化,使得向导近似地从原始程序定义的后验分布中采样。我们提出了一个灵活的界面,用于定义引导程序和随机梯度为基础的计划,用于优化引导参数,以及一些初步的结果自动导出引导程序。我们详细探讨了常见的机器学习模式,其中“局部”模型由“全局”随机值指定,并用于生成独立的观察数据点;这会产生支持全局模型学习的摊销局部推理。
2016-10-18 cs.AI cs.LG stat.ML
SymCircuit: Bayesian Structure Inference for Tractable Probabilistic Circuits via Entropy-Regularized Reinforcement Learning
Department of Mechanical and Aerospace Engineering(机械与航空航天工程系)
SymCircuit通过熵正则化强化学习替代贪心算法,实现概率电路结构学习,采用语法约束的自回归Transformer生成有效电路,并在NLTCS数据集上显著提升样本效率。
2026-03-20 cs.AI cs.LG stat.ML