Détails sur l'article

: Expectation maximization in deep probabilistic logic programming.

: In Chiara Ghidini, Bernardo Magnini, and Andrea Passerini, editors, Proceedings of the 17th Conference of the Italian Association for Artificial Intelligence (AI*IA2018), Trento, Italy, 20-23 November, 2018, volume 11298 of Lecture Notes in Computer Science, pages 293--306, Heidelberg, Germany, 2018. © Springer, Springer. The final publication is available at Springer via http://dx.doi.org/10.1007/978-3-030-03840-3_22.

:

Dans cet article, nous présentons un algorithme de maximisation des attentes, appelé apprentissage des paramètres de maximisation des attentes pour les programmes de logique probabiliste HIerarchical (EMPHIL) qui apprend les paramètres des programmes logique probabiliste hiérarchique à partir de données. L'algorithme convertit un circuit arithmétique en un réseau bayésien et exécute l'algorithme de Belief Propagation sur le graphe factoriel correspondant.

Publié à: 17th International Conference of the Italian Association for Artificial Intelligence (AI*IA 2018)

Télécharger: [.pdf]

Commentaires