因式

因子:通过强制定义因子图的概率规划。经过区分训练的无向图模型在经验上取得了广泛的成功,人们对简化其在复杂关系数据中的应用的工具包越来越感兴趣。关系模型的力量在于它们的重复结构和捆绑的参数;问题是如何以一种强大而灵活的方式定义这些结构。我们主张使用命令式语言来表达模型结构、推理和学习的各个方面,而不是使用声明性语言,如SQL或一阶逻辑。通过将因子图的传统的、声明的、统计的语义与它们的构造和操作的强制性定义相结合,我们允许用户混合声明性和过程性领域知识,并获得显著的效率。我们已经在一个我们称之为factore的系统中实现了这种强制性定义的因子图,factore是面向对象、强类型、函数式语言的软件库。在联合分割和共指方面与马尔可夫逻辑网络的实验比较中,我们发现我们的方法速度快3-15倍,同时误差减少20-25%,达到了一个新的水平。


zbMATH中的参考文献(参考文献13条)

显示结果1到13,共13个。
按年份排序(引用)

  1. 戴勒斯,桑德拉;克里斯蒂安森,一月;Teegen,Finn:使用非严格非确定性实现概率规划库(2020)
  2. 吕德克,斯特凡;Kirste,Thomas:提升贝叶斯滤波在多集重写系统中的应用(2020)
  3. Sandra Dylus,Jan Christiansen,Finn Teegen:使用非严格非确定性实现概率规划库(2019)阿尔十四
  4. 巴赫,斯蒂芬H。;布罗切勒,马提亚斯;黄,伯特;Getoor,Lise:铰链损失马尔可夫随机场和概率软逻辑(2017)
  5. 黄,丹尼尔;Morrisett,Greg:可计算分布在概率编程语言语义中的应用(2016)
  6. 金米格,安吉丽卡;米哈尔科娃,利利亚娜;Getoor,Lise:《提升的图形模型:调查》(2015)
  7. 米歇尔斯,斯特芬;霍默森,阿珍;卢卡斯,彼得·J·F。;Velikova,Marina:基于广义分布语义的新概率约束逻辑编程语言(2015)
  8. 弗拉斯科尼,保罗;科斯塔,法布里齐奥;De Raedt,卢克;德格雷夫,库尔特:kLog:一种用内核进行逻辑和关系学习的语言(2014)
  9. 博格斯特伦,约翰内斯;戈登,安德鲁D。;格林伯格,迈克尔;马格森,詹姆斯;Van Gael,Jurgen:用于贝叶斯机器学习的度量变换器语义(2013)
  10. 戈登,安德鲁D。;艾扎图林,米哈伊勒;博格斯特罗姆,约翰内斯;红葡萄酒,纪尧姆;格雷佩尔,托尔;诺里,阿迪蒂亚五世。;拉贾马尼,斯利拉姆K。;Russo,Claudio:贝叶斯推理的模型学习模式(2013)
  11. 博格斯特伦,约翰内斯;戈登,安德鲁D。;格林伯格,迈克尔;马格森,詹姆斯;Van Gael,Jurgen:用于贝叶斯机器学习的度量变换器语义(2011)
  12. 科洛米耶茨,奥列克桑德;Moens,Marie Francine:从信息检索角度对问答技术的调查(2011)ioport公司
  13. 萨顿,查尔斯;安德鲁·麦卡伦:《条件随机场导论》(2011)