Symbolic Parameter Learning in Probabilistic Answer Set Programming

要約

パラメータの学習は、統計的リレーショナル人工知能の分野において重要なタスクです。確率論理プログラムと解釈の形で一連の観察が与えられた場合、目標は、プログラム内の事実の確率を学習して、
解釈が最大限に発揮されます。
この論文では、確率的解答集合プログラミングの形式主義内でそのようなタスクを解決するための 2 つのアルゴリズムを提案します。どちらも、解釈の確率を表す記号方程式の抽出に基づいています。
1 つ目は既製の制約付き最適化ソルバーを使用してタスクを解決し、2 つ目は期待値最大化アルゴリズムの実装に基づいています。
経験的な結果は、私たちの提案が、ソリューションの品質と実行時間の点で、予想される回答セットの列挙に基づいた既存のアプローチよりも優れていることが多いことを示しています。
この論文は ICLP2024 カンファレンスで受理され、論理プログラミングの理論と実践 (TPLP) で検討中です。

要約(オリジナル)

Parameter learning is a crucial task in the field of Statistical Relational Artificial Intelligence: given a probabilistic logic program and a set of observations in the form of interpretations, the goal is to learn the probabilities of the facts in the program such that the probabilities of the interpretations are maximized. In this paper, we propose two algorithms to solve such a task within the formalism of Probabilistic Answer Set Programming, both based on the extraction of symbolic equations representing the probabilities of the interpretations. The first solves the task using an off-the-shelf constrained optimization solver while the second is based on an implementation of the Expectation Maximization algorithm. Empirical results show that our proposals often outperform existing approaches based on projected answer set enumeration in terms of quality of the solution and in terms of execution time. The paper has been accepted at the ICLP2024 conference and is under consideration in Theory and Practice of Logic Programming (TPLP).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google