×
曼弗雷德·杰格

提升推理的复杂度下限。 （英语） Zbl 1379.68298号

理论与实践。日志。程序。 15，第2期，246-263（2015）.
概要：概率关系（或概率逻辑）建模和学习框架开发中的一大挑战是设计在抽象模型表示语言级别上操作的推理技术，而不是在模型的基础、命题实例级别上操作。已经提出了许多用于这种“提升推理”技术的方法。虽然已经证明，这些技术将大大提高对某些特定模型的推理效率，但只有最近的且仍很有限的结果表明，在某些语法定义的模型类上提升推理的可行性。较低的复杂度界限意味着对更具表现力的模型类上提升推理的可行性有一些限制，早在[M.Jaeger先生，艺术。智力。117，第2期，297–308（2000年；Zbl 0938.68847号)]. 然而，这些结果并不立即适用于目前最受关注的建模语言类型，即加权的无量词公式。在本文中，我们扩展了这些早期的结果，并表明在假定（mathrm{NETIME}\neq\mathrm}ETIME}）的情况下，对于加权公式、量词公式和无函数公式的知识库，不存在多项式提升推理算法。进一步加强了早期的结果，这对于近似推理和不包含等式谓词的知识库也适用。

引用于三文件

MSC公司：

68T27型 人工智能中的逻辑
2017年第68季度 问题的计算难度（下限、完备性、近似难度等）
68T05型 人工智能中的学习和自适应系统

关键词：

概率逻辑模型;提升推理

引文：

Zbl 0938.68847号

软件：

博客
PDF格式BibTeX公司 XML格式引用
\textit{M.Jaeger}，理论与实践。日志。程序。15，第2号，246--263（2015；Zbl 1379.68298）
全文： 内政部 arXiv公司

参考文献：

[1] 阿普塞鲁。和布拉夫曼。I.2011年。用联合公式扩展提升推理。程序中。第27届人工智能不确定性会议（UAI-11）。AUAI出版社，11-18。
[2] 布雷斯J。S.1992年。信念和决策网络的构建。计算智能8，624-647.10.1111/j.1467-8640.1992.tb00382.x·文件编号：10.1111/j.1467-8640.1992.tb00382.x
[3] de Salvo钎焊。，阿米尔。和RothD.2005。提升了一阶概率推断。程序中。第19届国际人工智能联合会议（IJCAI-05）。专业图书中心，1319-1325年。
[4] 多明戈斯。和WebbW。A.2012年。易于处理的一阶概率逻辑。程序中。第26届AAAI人工智能会议（AAAI-12）。AAAI出版社，1902-1909年。
[5] FaginR.1976年。有限模型上的概率。符号逻辑杂志41，50-58.10.2307/2272945·Zbl 0341.02044号 ·doi:10.2307/2272945
[6] FierensD公司。，den BroeckG公司。V.、ThonI.等人。，古特曼B。和De RaedtL.2011。使用加权cnf的概率逻辑程序中的推断。程序中。第27届人工智能不确定性会议（UAI-11）。AUAI出版社，211-220。
[7] 弗里德曼。，科勒·D·盖图。和PfefferA.1999。学习概率关系模型。程序中。第16届国际人工智能联合会议（IJCAI-99）。摩根·考夫曼，1300-1309。
[8] 戈盖特五世。和DomingosP.2011。概率定理证明。第27届人工智能不确定性会议论文集（UAI-11）。AUAI出版社，256-265。
[9] 耶格尔，1997年。关系贝叶斯网络。程序中。第十三届人工智能不确定性会议（UAI-13）。摩根·考夫曼，266-273。
[10] JaegerM.2000年。关于概率关系模型推理的复杂性。人工智能117297-308.10.1016/S0004-3702（99）00109-5·Zbl 0938.68847号 ·doi:10.1016/S0004-3702（99）00109-5
[11] JaegerM.2012年。提升推理的复杂度下限。2012年4月15日查阅。网址：http://arxiv.org/abs/1204.3255。
[12] JaegerM.和Van den BroeckG.2012年。概率推理的可提升性：上限和下限。程序中。第二届统计关系人工智能国际研讨会。
[13] 贾阿。，戈盖特V。，梅里奥。和SuciuD.2010。从另一方面来看，提升了推论：易驾驭的特征。程序中。第24届神经信息处理系统年会（NIPS-10）。Curran Associates，Inc.，973-981年。
[14] 约翰逊。S.1990年。复杂度类的目录。《理论计算机科学手册》，J.van Leeuwen，Ed，第1卷。阿姆斯特丹爱思维尔，67-161·Zbl 0900.68246号
[15] 琼斯N。D.和SelmanA。1972年1月。图灵机和一阶等式的谱。程序中。第四届ACM计算机理论研讨会。美国医学会，157-167·Zbl 0381.03026号
[16] 科斯廷K。和De RaedtL.2001。将归纳逻辑编程与贝叶斯网络相结合。程序中。第十一届国际归纳逻辑程序设计会议（ILP-01）。LNAI，第2157卷。施普林格，118-131·Zbl 1006.68518号
[17] 基辛斯基。和Pool.2009。定向一阶概率模型中的提升聚合。程序中。第21届国际人工智能联合会议（IJCAI-09）。IJCAI组织，1922-1929年。
[18] MilchB.、。，MarthiB.、。，拉塞尔公司。，宋体。，昂格德。和KolobovA.2005。博客：未知对象的概率逻辑。程序中。第19届国际人工智能联合会议（IJCAI-05）。专业图书中心，1352-1359年。
[19] MilchB.、。，Zettlemoyer L.S.、Kersting K.、。，哈伊姆斯M。和KaelblingL。第2008页。使用计数公式提升概率推断。程序中。第23届AAAI人工智能会议（AAAI-08）。AAAI出版社，1062-1068。
[20] 尼日利亚。，HaddawyP。和HelwigJ.1995。上下文相关时间概率模型构建的理论框架及其在规划投影中的应用。程序中。第11届人工智能不确定性大会。摩根·考夫曼，419-426。
[21] 池D.1993。概率角外推和贝叶斯网络。人工智能64，81-129.10.1016/0004-3702（93）90061-F·Zbl 0792.68176号 ·doi:10.1016/0004-3702（93）90061-F
[22] 池D.2003。一阶概率推理。程序中。第十八届国际人工智能联合会议（IJCAI-03）。摩根·考夫曼（Morgan Kaufmann），985-991年。
[23] 理查森。和DomingosP.2006。马尔可夫逻辑网络。机器学习62，107-136.10.1007/s10994-006-5833-1·Zbl 1470.68221号 ·doi:10.1007/s10994-006-5833-1
[24] 1995年星期六。具有分布语义的逻辑程序的统计学习方法。程序中。第十二届逻辑程序设计国际会议（ICLP’95）。麻省理工学院出版社，715-729。
[25] 新加坡。，内森。和DomingosP.2010。近似提升信念传播。程序中。AAAI-10统计关系人工智能研讨会。
[26] 任务分配表B。，阿比埃尔·P。和KollerD.2002。关系数据的判别概率模型。程序中。第18届人工智能不确定性会议（UAI-02）。摩根·考夫曼，485-492。
[27] Van den Broeck，2011年。提升概率推理一阶知识编译的完备性。程序中。第25届神经信息处理系统年会（NIPS）。1386-1394.
[28] 范登·布勒克。和DavisJ.2012。一阶知识编译中的条件反射和提升的概率推理。在第26届AAAI人工智能会议过程中。AAAI出版社，1961-1967年。
[29] 范登·布勒克。，TaghipourN.、MeertW.、。，戴维斯J。和De RaedtL.2011。通过一阶知识汇编提升概率推理。程序中。第22届国际人工智能联合会议（IJCAI-11）。IJCAI/AAAI，2178-2185年。
[30] 维尼肯斯J。，DeneckerM.和BruynoogheM.2006。表示概率过程的因果信息。《人工智能中的逻辑学》，第10届欧洲会议，JELIA 2006，会议记录。计算机科学讲义，第4160卷。柏林斯普林格·弗拉格，452-464·Zbl 1152.68621号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不声称其完整性或完全匹配。