【IJCAI2022】代数和逻辑约束的混合概率推理，261页ppt

在本教程中，我们将学习代数和逻辑约束下的概率推理。我们将涵盖与受限环境下的概率推理相关的理论基础和计算挑战，同时探索高度相关的应用，如混合系统的概率形式验证和通过构造满足约束的学习模型。

随着人工智能和机器学习在我们日常生活中的日益普及，迫切需要不仅智能而且安全、公平和可验证的系统。在现实世界中部署这样的系统通常等同于在表现出连续(定量)和离散(定性或逻辑)特征的领域中执行概率推理。这样的域通常被称为混合域。然后通过代数约束或逻辑约束对混合域进行约束，实现安全性和公平性。这进一步复杂化了执行概率推断的问题。此外，许多逻辑和代数约束可以来自环境本身，例如物理定律，或有助于描述系统的“正确”行为，例如必须满足的安全特性。在本教程中，我们介绍了加权模型集成(WMI)，这是一个减少混合域概率推理的框架，以计算离散-连续逻辑公式的权重。因此，它是对已经广泛应用的加权模型计数(WMC)框架的一种推广。在教程的第一部分，我们逐步建立WMI的理论背景-一个旅程，我们开始从纯逻辑推理一路到混合领域的概率推理，同时提供涉及的挑战和连接到WMC的指针。其次，我们通过讨论WMI的应用，以及描述最具前景的开放工具和方法，提供了一个关于混合域概率推理问题的实用视角。