约翰·博格斯特罗姆;安德鲁·戈登。;迈克尔·格林伯格;詹姆斯·马吉森;尤尔根·范·盖尔 贝叶斯机器学习的测量变换器语义。 (英语) Zbl 1274.68295号 日志。方法计算。科学。 9,第3号,第11号论文,39页(2013). 概要:机器学习的贝叶斯方法相当于从变量如何相关的概率模型(即先验分布)和变量的一组观测值计算随机变量的后验分布。机器学习的一个趋势是将贝叶斯模型表示为概率程序。作为这类编程的基础,我们提出了一种核心函数演算,其中包含用于采样先验分布和观察变量的原语。我们根据测度理论中的定理定义了测度-变换组合子,并使用它们为我们的核心演算提供了严格的语义。我们语义的最初特征包括支持离散、连续和混合度量,特别是支持零概率事件的观察。我们将核心语言编译为一种小型命令式语言,该语言由现有的因子图推理引擎处理,因子图是支持许多高效推理算法的数据结构。这允许对后验边缘分布进行有效的近似推断,每秒可处理大量真实模型的观察结果。 引用于8文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 68甲15 编程语言理论 关键词:概率规划;基于模型的机器学习;程序设计语言;指称语义学 软件:博客;布莱斯;HBC公司;IBAL公司;工厂;WinBUGS公司;哈斯克尔;教堂;推断。净值 PDF格式BibTeX公司 XML格式引用 \textit{J.Borgström}等人,《日志》。方法计算。科学。9,第3号,第11号论文,39页(2013年;Zbl 1274.68295) 全文: 内政部