Deep Reinforcement Learning for Control of Probabilistic Boolean Networks
University of Surrey(萨里大学)
概率布尔网络(PBN)是研究基因调控网络(GRNs)等复杂动力学系统的一种计算模型。可控性是对网络状态进行策略干预的过程,目的是将其推向具有有利生物学特性的其他状态。在本文中,我们研究了具有优先经验重放的双深度Q网络在有限数量的时间步长内学习控制策略的能力,这些时间步长将PBN推向目标状态,通常是吸引子。该控制方法是无模型的,不需要网络的底层动态知识,使其适用于这样的动态推理是棘手的应用。我们提出了广泛的实验结果,两个合成PBN和PBN模型直接构建从基因表达数据的研究转移性黑色素瘤。
2020-09-07 cs.AI cs.LG cs.SY
Logical Activation Functions: Logit-space equivalents of Probabilistic Boolean Operators
Dalhousie University(达尔豪斯大学);Vector Institute for Artificial Intelligence(向量人工智能研究所)
激活函数的选择及其动机是神经网络社区中的一个长期存在的问题。人工神经网络内的神经元表示通常被理解为logit,表示刺激内特征存在的对数几率分数。我们推导出的逻辑空间运营商相当于概率布尔逻辑门与,或,和XNOR的独立概率。这些理论对于形式化真实神经元中更复杂的树突操作是重要的,并且这些操作可以用作神经网络内的激活函数,引入概率布尔逻辑作为神经网络的核心操作。由于这些函数涉及采用多个指数和多项式,因此它们在计算上是昂贵的,并且不太适合直接在神经网络内使用。因此,我们构建了高效的近似$\text{AND}_\text{AIL}$(独立Logits的AND运算近似),$\text{OR}_\text{AIL}$和$\text{XNOR}_\text{AIL}$,它们只利用比较和加法运算,具有良好的梯度,并且可以部署为神经网络中的激活函数。像MaxOut一样,$\text{AND}_\text{AIL}$和$\text{OR}_\text{AIL}$是ReLU到二维的推广。虽然我们的主要目标是在逻辑空间概率布尔框架内形式化树突计算,但我们单独和联合部署了这些新的激活函数,以证明它们对各种任务的有效性,包括图像分类,迁移学习,抽象推理和组合零样本学习。
2022-11-29 cs.AI cs.CV cs.LG
Inference and learning in probabilistic logic programs using weighted Boolean formulas
KU Leuven(鲁汶大学)
概率逻辑程序是其中一些事实用概率注释的逻辑程序。本文研究了如何经典的推理和学习任务,从图形模型社区可以处理概率逻辑程序。概率逻辑程序以前没有真正解决过几个这样的任务,如计算给定证据的边缘和从(部分)解释中学习。本文的第一个贡献是为各种推理任务提供了一套有效的算法。它基于程序和查询以及证据到加权布尔公式的转换。这使我们能够将推理任务减少到经过充分研究的任务,例如加权模型计数,可以使用图形模型和知识编译文献中已知的最先进的方法来解决。第二个贡献是一个算法的参数估计的学习从解释设置。该算法采用期望最大化,并建立在顶部开发的推理算法。所提出的方法进行了实验评估。结果表明,推理算法提高了概率逻辑程序设计的最新水平,并且确实可以从解释中学习概率逻辑程序的参数。
2013-04-25 cs.AI cs.LG cs.LO
Deep Reinforcement Learning for Stabilization of Large-scale Probabilistic Boolean Networks
University of Surrey(萨里大学);Dalian University of Technology(大连理工大学)
将概率布尔网络(PBN)引导到期望状态的能力对于诸如癌症生物学中的靶向治疗的应用是重要的。强化学习(RL)已经被提出作为解决离散时间最优控制问题的框架,该问题被转换为马尔可夫决策过程。我们专注于一个由无模型深度RL方法提供支持的综合框架,该方法可以解决不同类型的控制问题(例如,有或没有控制输入;吸引子状态或状态空间的子集作为目标域)。该方法对下一状态的概率分布是不可知的,因此它不使用概率转移矩阵。在训练期间,时间复杂度与时间步长或代理(深度RL)与环境(PBN)之间的交互是线性的。事实上,我们探索了深度RL方法的可扩展性,以(设置)大规模PBN的稳定性,并证明了对大型网络的成功控制,包括具有200个节点的转移性黑色素瘤PBN。
2022-10-25 cs.AI cs.LG cs.SY
Simplicity Bias in Transformers and their Ability to Learn Sparse Boolean Functions
Mila(米拉人工智能研究所);McGill University(麦吉尔大学);University of Oxford(牛津大学);Cohere(Cohere公司)
本文通过布尔函数实证研究揭示 Transformer 相比 LSTM 更偏向低敏感度函数,并在稀疏布尔函数上表现出更强抗噪泛化能力,从而解释了其实际泛化优势。
2023-07-10 cs.CL cs.LG
Reinforcement Learning with Probabilistic Boolean Network Models of Smart Grid Devices
Centro de Ciencias de la Complejidad (C3), Universidad Nacional Autónoma de México(墨西哥国立自治大学复杂性科学中心);Centre de Recerca en Enginyeria Biomèdica, Universitat Politècnica de Catalunya(加泰罗尼亚理工大学生物医学工程研究中心);Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, Universidad Nacional Autónoma de México(墨西哥国立自治大学应用数学与系统研究所);Lakeside Labs GmbH(Lakeside Labs 有限公司);Institut de Recerca Sant Joan de Déu(圣琼德乌研究所)
智能电网领域需要不断提高其效率和弹性,以提供高质量的电力,在耐电网中,管理故障并避免故障。实现这一点需要高的组件可靠性,充分的维护,并研究故障发生。正确的系统操作涉及这些活动,以及检测、分类和隔离故障和故障的新方法,以及使用预测算法和分析(使用数据分析和资产状况来计划和执行活动)对流程进行建模和模拟。我们展示了一个复杂的自适应,自组织建模方法,概率布尔网络(PBN)的应用,作为一种方式对智能电网设备的动态的理解,并建模和表征其行为。这项工作表明,PBN是等价于标准的强化学习循环,其中代理/模型与其环境相互作用,并以奖励信号的形式接收反馈。不同的奖励结构是为了描述偏好的行为。该信息可用于指导PBN避免故障状况和故障。
2021-02-02 cs.LG cs.SY eess.SY
Transformers with RL or SFT Provably Learn Sparse Boolean Functions, But Differently
School of Electronics and Computer Science, University of Southampton, United Kingdom(南安普顿大学电子与计算机科学学院,英国);Independent Researcher(独立研究员)
本文通过统一分析RL(过程奖励)和SFT微调Transformer学习可递归分解的k-稀疏布尔函数的动态,证明两者都能学习k-PARITY、k-AND、k-OR等函数,但RL同时学习整个CoT链,而SFT逐步学习。
2026-08-07 cs.LG stat.ML
Optimizing Sparse Boolean Rule Networks using Mixed Integer Linear Programming
Institute for Application-Oriented Knowledge Processing (FAW)(应用知识处理研究所);LIT AI Lab(林茨人工智能实验室)
该研究提出混合整数线性规划(MILP)公式优化稀疏布尔规则网络,通过增强公式提升计算效率,在合成基准和UCI数据集上实现了与可解释基线相当或更优的准确率,为学习紧凑布尔规则集提供了可控权衡的框架。
2026-10-15 cs.LG stat.ML
Symmetric Sparse Boolean Matrix Factorization and Applications
UC Berkeley(加州大学伯克利分校);Adobe Research(Adobe 研究院);Columbia University(哥伦比亚大学);UT Austin(德克萨斯大学奥斯汀分校)
在这项工作中,我们研究了一个变种的非负矩阵分解,我们希望找到一个对称分解的一个给定的输入矩阵到一个稀疏的,布尔矩阵。从形式上讲,给定$\mathbf{M}\in\mathbb{Z}^{m\times m}$,我们希望找到$\mathbf{W}\in\{0,1\}^{m\times r}$,使得$\| \mathbf{M} - \mathbf{W}\mathbf{W}^\top \|_0$在所有$\mathbf{W}$中最小化,其中每行都是$k$ -稀疏的。事实证明,这个问题与许多问题密切相关,如从线图中恢复超图,以及私人神经网络训练的重建攻击。由于这个问题是很难在最坏的情况下,我们研究了一个自然的平均情况下的变种,出现在这些重建攻击的上下文中:$\mathbf{M} = \mathbf{W}\mathbf{W}^{\top}$为$\mathbf{W}$一个随机布尔矩阵与$k$ -稀疏行,目标是恢复$\mathbf{W}$列置换。等价地,这可以被认为是从其线图恢复一致随机$k$ -一致超图。我们的主要结果是这个问题的多项式时间算法的基础上引导高阶信息$\mathbf{W}$,然后分解一个适当的张量。在我们的分析,这可能是独立的利益,关键成分是要表明,这样的矩阵$\mathbf{W}$有充分的列秩与高概率尽快$m = \widetildeΩ(r)$,这是我们使用的工具,从Littlew…
2022-01-13 cs.CR cs.DS cs.LG
Online Learning of k-CNF Boolean Functions
DeepMind Technologies Ltd(深度思维科技有限公司);University of Alberta(阿尔伯塔大学);Australian National University(澳大利亚国立大学)
在对数损失下的在线学习背景下,重新讨论了从例子中学习k-CNF布尔函数的问题.在这样做的时候,我们给一个贝叶斯解释的Valiant的著名的PAC学习算法,然后我们建立在两个高效的,在线的,概率的,监督学习算法预测输出的一个未知的k-CNF布尔函数。我们分析了我们的方法的损失,并表明,累积对数损失可以上界,忽略对数因子,由每个例子的大小的多项式函数。
2014-03-26 cs.LG
Tight $L_\infty$ Sample Complexity for Low-Degree and Sparse Boolean Polynomials
Institute for Mathematical and Computational Engineering(数学与计算工程研究所);Pontificia Universidad Católica de Chile(智利天主教大学);Blavatnik School of Computer Science and AI(Blavatnik计算机科学与人工智能学院);Tel Aviv University(特拉维夫大学);Department of Industrial and Systems Engineering(工业与系统工程系)
针对有界二进制黑箱函数优化,研究布尔超立方体上多项式代理的学习问题,要求均匀 $L_\infty$ 误差保证,刻画了次高斯噪声下两类有界多项式的最小最大样本复杂度。
2026-06-17 cs.LG math.CO math.ST
Beyond normality: Learning sparse probabilistic graphical models in the non-Gaussian setting
MIT(麻省理工学院)
我们提出了一个算法来识别稀疏依赖结构在连续和非高斯概率分布,给定相应的数据集。任意分布的条件独立结构可以表示为无向图(或马尔可夫随机场),但大多数学习这种结构的算法仅限于离散或高斯情况。我们的新方法可以更真实和准确地描述所讨论的分布,从而更好地估计其稀疏马尔可夫结构。图中的稀疏性是有趣的,因为它可以加速推理,改进采样方法,并揭示变量之间的重要依赖关系。该算法依赖于利用图的稀疏性和运输地图的稀疏性之间的连接,确定性地将一个概率度量耦合到另一个概率度量。
2017-11-06 cs.LG stat.ML
Sparse Probabilistic Graph Circuits
Artificial Intelligence Center, Czech Technical University, Prague, Czech Republic(人工智能中心、捷克技术大学、布拉格、捷克共和国)
为解决概率图电路在稠密图上$\mathcal{O}(n^2)$的复杂度问题,提出稀疏概率图电路(Sparse PGCs),直接在稀疏图表示上运行将复杂度降至$\mathcal{O}(n + m)$,在保留精确推理能力的同时提升了效率并在药物设计指标上匹配了不可解模型。
2025-08-11 cs.AI cs.LG
Towards High Resolution Probabilistic Coastal Inundation Forecasting from Sparse Observations
针对稀疏传感器网络限制下的海岸淹没预测问题,提出DIFF-SPARSE掩蔽条件扩散模型,利用时空上下文与新颖掩蔽策略,在95%稀疏度下较现有方法性能提升62%,为应急响应提供支持。
2025-11-11 cs.LG
Detecting Dependencies in Sparse, Multivariate Databases Using Probabilistic Programming and Non-parametric Bayes
Massachusetts Institute of Technology(麻省理工学院)
具有数百个变量和许多缺失值的数据集是常见的。在这种情况下,检测变量之间的真实预测关系以及抑制假阳性在统计和计算上都具有挑战性。本文提出了一种方法,结合概率规划,信息论,和非参数贝叶斯。它展示了如何使用贝叶斯非参数建模来(i)为所有变量构建联合概率模型的集合;(ii)有效地检测边缘独立性;以及(iii)估计变量的任意子集之间的条件互信息,受到广泛的约束。用户可以使用BayesDB访问这些功能,BayesDB是一个用于概率数据分析的概率编程平台,通过用简单的类似SQL的语言编写查询。本文实证表明,该方法可以(i)检测具有挑战性的合成问题的上下文特定(中)的依赖关系,(ii)提高敏感性和特异性,超过基线的统计和机器学习,在现实世界的数据库中的300多个稀疏观察的宏观经济发展和公共卫生指标。
2017-03-27 cs.AI cs.LG stat.ML
Probabilistic Models for Unified Collaborative and Content-Based Recommendation in Sparse-Data Environments
University of Pennsylvania(宾夕法尼亚大学);NEC Research Institute(NEC研究院)
推荐系统利用产品和社区信息将产品定位给消费者。研究人员已经开发出协作式浏览器、基于内容的浏览器和(主要是自组织的)混合系统。我们提出了一个统一的概率框架合并协作和基于内容的建议。我们扩展了Hofmann的[1999]方面模型,将用户,项目和项目内容之间的三路共现数据。协作数据与内容数据的相对影响不是作为外生参数强加的,而是从给定的数据源自然出现的。与标准期望最大化(EM)学习算法相结合的全局概率模型在稀疏数据情况下往往会严重过拟合,这在推荐应用中是典型的。我们表明,次要内容信息通常可以用来克服稀疏性。对来自计算机科学出版物的ResearchIndex库的数据的实验表明,适当的混合模型结合二级数据产生比k-最近邻(k-NN)更好的质量预测器。全局概率模型也允许比k-NN等局部方法更一般的推断。
2013-01-10 cs.IR cs.LG stat.ML
Patch-Based Denoising Diffusion Probabilistic Model for Sparse-View CT Reconstruction
Rensselaer Polytechnic Institute(伦斯勒理工学院)
稀疏视图计算机断层扫描(CT)可以用来大大减少辐射剂量,但受到严重的图像伪影。最近,基于深度学习的稀疏视图CT重建方法引起了人们的极大关注。然而,当神经网络仅在图像域中工作时,它们通常具有有限的去除伪影的能力。基于深度学习的正弦图处理可以实现更好的抗伪影性能,但它不可避免地需要视频存储器中整个图像的特征图,这使得处理大规模或三维(3D)图像变得相当具有挑战性。本文提出了一种基于块的去噪扩散概率模型(DDPM)用于稀疏视图CT重建。基于从全采样投影数据中提取的块训练DDPM网络,然后用于修复下采样投影数据。该网络不需要配对的全采样和下采样数据,从而实现无监督学习。由于数据处理是基于补丁的,因此深度学习工作流可以并行分布,克服了大规模数据的内存问题。实验结果表明,该方法可以有效地抑制少视角伪影,同时忠实地保留纹理细节。
2022-11-18 cs.LG eess.IV eess.SP
Probabilistic selection of inducing points in sparse Gaussian processes
University of Glasgow(格拉斯哥大学)
稀疏高斯过程及其各种扩展是通过诱导点实现的,这些诱导点同时限制了预测能力,并成为模型复杂性的主要贡献者。然而,诱导点的数量通常与不确定性无关,这阻止了我们应用贝叶斯推理的装置来确定适当的权衡。在这项工作中,我们放置一个点过程之前的诱导点和近似相关的后验通过随机变分推理。通过让先验知识鼓励适度数量的诱导点,我们使模型能够学习使用哪些点以及使用多少点。我们的实验表明,更少的诱导点是首选的模型,因为点变得信息量较少,并进一步展示了该方法可以用于深高斯过程和潜变量建模。
2021-07-25 cs.LG stat.ML
Entropy-Regularized Probabilistic Gates for Sparse Model Discovery in Scarce-Data Federated Learning
Department of Engineering and Information Technology, Åbo Akademi University(奥布大学工程与信息技术系)
针对数据稀缺联邦学习中稀疏模型发现困难,提出熵正则化概率门方法,通过维持门分布不确定性避免过早稀疏承诺,在异质性和稀疏性下提升统计性能与稀疏恢复精度。
2026-07-02 cs.AI cs.DC cs.LG
Sparse Probabilistic Circuits via Pruning and Growing
UCLA(加州大学洛杉矶分校)
概率电路(PC)是一种易于处理的概率分布表示,允许精确和有效地计算似然和边缘。最近在提高PC的规模和表现力方面取得了重大进展。然而,PC训练性能随着模型大小的增加而趋于稳定。我们发现,在现有的大型PC结构的大部分容量是浪费:全连接的参数层,只有稀疏使用。我们提出了两个操作:修剪和增长,利用PC结构的稀疏性。具体地,修剪操作移除PC的不重要的子网络用于模型压缩,并且具有理论保证。增长操作通过增加潜在空间的大小来增加模型容量。通过交替应用修剪和增长,我们增加了有意义地使用的容量,使我们能够显着扩展PC学习。从经验上讲,与其他PC学习器和不太容易处理的深度生成模型(如基于流的模型和变分自编码器(VAE))相比,我们的学习器在MNIST系列图像数据集和Penn Tree Bank语言数据上实现了最先进的可能性。
2022-11-22 cs.AI cs.LG
Probabilistic Task Parameterization of Tool-Tissue Interaction via Sparse Landmarks Tracking in Robotic Surgery
University of Tennessee Knoxville(田纳西大学诺克斯维尔分校);Stanford University(斯坦福大学)
针对机器人手术工具-组织交互建模的标注依赖或刚性假设问题,提出结合稀疏关键点跟踪与概率建模的框架,通过PCA构建动态局部变换并嵌入TP-GMM,实现大变形下组织地标传播与工具位姿预测,提升手术运动视觉理解。
2025-04-14 cs.CV cs.LG cs.RO
Information Projection and Approximate Inference for Structured Sparse Variables
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Stanford University(斯坦福大学)
通过信息投影的近似推理最近被引入作为一种通用的方法,用于有效的概率推理给定稀疏变量。这份手稿超越了经典的稀疏性,提出了有效的算法,通过信息投影的近似推理,适用于任何结构的变量集,承认枚举使用\emph{matroid}。我们表明,由此产生的信息投影可以减少到组合子模优化拟阵约束。此外,利用最新的子模块优化的进展,我们提供了一个有效的贪婪算法,具有强大的优化理论的保证。可以用这种方式表达的概率模型的类别是相当广泛的,正如我们所展示的,包括组稀疏回归,组稀疏主成分分析和稀疏典型相关分析等。此外,模拟数据和高维神经成像数据的实证结果突出了信息投影方法的优越性能相比,建立的基线的概率模型的范围。
2016-07-12 cs.LG stat.ML
Probabilistic Iterative Hard Thresholding for Sparse Learning
针对高维小样本统计建模及大数据下带噪梯度的稀疏优化方法收敛性不足问题,提出带基数约束的概率迭代硬阈值方法,证明其随机过程收敛性并在两类机器学习任务中验证性能。
2025-08-01 cs.LG math.OC
ProSper -- A Python Library for Probabilistic Sparse Coding with Non-Standard Priors and Superpositions
Sorbonne Université(索邦大学);INSERM(法国国家健康与医学研究院);CNRS(法国国家科学研究中心);Institut de la Vision(视觉研究所);FIAS(法兰克福高等研究院);Goethe-Universität Frankfurt am Main(法兰克福大学);Zalando Research(Zalando研究院);University of Sheffield(谢菲尔德大学);d-fine GmbH(d-fine有限公司);C. v. Ossietzky Universität Oldenburg(奥尔登堡大学)
ProSper是一个Python库,包含用于学习字典的概率算法。给定一组数据点,实现的算法试图学习生成数据的基本组件。该库扩大了字典学习方法的范围,超越了ICA,NMF或标准L1稀疏编码等标准方法的实现。实现的算法是特别适合的情况下,当数据组成的组件,结合非线性和/或数据需要灵活的先验分布。此外,所实现的算法超越了标准的方法,通过推断数据的先验和噪声参数,它们提供了丰富的后验近似推理。该库被设计为可扩展的,目前包括:二进制稀疏编码(BSC),三进制稀疏编码(TSC),离散稀疏编码(DSC),最大原因分析(MCA),最大幅度原因分析(MMCA)和高斯稀疏编码(GSC,最近的尖峰和板条稀疏编码方法)。该算法是可扩展的,由于变分近似和并行化的组合。所有算法的实现都允许在多个CPU和多台机器上并行执行,适用于中型到大型应用程序。典型的大规模算法运行可以使用数百个CPU从具有数千万个浮点数的数据中学习数百个字典元素,从而可以优化具有数十万个参数的模型。该库被设计为具有最小的依赖性并且易于使用。它针对字典学习算法的用户和机器学习研究人员。
2019-08-01 cs.LG eess.SP stat.ML
Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates
Department of Naval, Electrical, Electronics and Telecommunications Engineering, University of Genoa, Italy(海军、电子、电子与电信工程系,热那亚大学,意大利)
本文提出一种概率预测框架,利用稀疏卫星数据和天气协变量进行田间NDVI预测,通过融合历史和未来数据实现多步分位数预测,实验表明优于传统和深度学习方法。
2026-06-26 cs.CV cs.LG stat.ML
Probabilistic 3D surface reconstruction from sparse MRI information
ETH Zurich(苏黎世联邦理工学院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Imperial College London(帝国理工学院);King’s College London(伦敦国王学院);Microsoft Mixed Reality and AI lab(微软混合现实与人工智能实验室)
从磁共振(MR)成像数据中重建表面是医学图像分析和临床研究中不可缺少的。一个可靠有效的重建工具应该:快速预测准确的井局部和高分辨率模型,评估预测的不确定性,尽可能少的输入数据工作。然而,当前的深度学习最新技术水平(SOTA)3D重建方法通常仅产生定位在规范位置中的有限可变性的形状或缺乏不确定性评估。在本文中,我们提出了一种新的概率深度学习方法,用于从稀疏的2D MR图像数据和任意不确定性预测进行并发3D表面重建。我们的方法是能够重建大的表面网格从三个准正交的MR成像切片从有限的训练集,同时通过高斯分布建模的每个网格顶点的位置。使用内置的线性主成分分析(PCA)模型对先验形状信息进行编码。对心脏MR数据的大量实验表明,我们的概率方法成功地评估了预测的不确定性,同时在定性和定量方面优于SOTA方法的形状预测。与SOTA相比,我们能够通过使用空间感知神经网络来正确定位和定向预测。
2020-10-05 cs.CV cs.LG eess.IV
A Probabilistic Framework for Discriminative Dictionary Learning
在本文中,我们解决了判别式字典学习(discriminative dictionary learning,缩写为RDL)的问题,其中稀疏线性表示和分类在概率框架中相结合。因此,单个判别字典和线性二进制分类器被联合学习。通过在MAP设置中编码稀疏表示和判别分类模型,我们提出了一个通用的优化框架,该框架允许在忠实表示和准确分类之间进行数据驱动的权衡。与以前的工作相反,我们的学习方法能够包含各种各样的分类成本函数(包括流行的提升方法中使用的那些),同时避免了对相关优化技术的需求。我们表明,可以解决的更新序列,利用著名的和研究的稀疏编码和字典学习算法从文献中的。为了验证我们的EQUIPMENT框架,我们将其应用于数字分类和人脸识别,并在标准基准上进行测试。
2011-09-12 cs.CV cs.LG
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