通过隐式学习实现提升关系概率推理

在人工智能中，如何协调归纳学习与演绎推理在一阶关系领域中的张力是一个长期挑战。本文研究了通过学习与推理的联合努力，在不构建显式模型的情况下回答一阶关系概率逻辑查询的问题。传统提升推理假设可以访问完整模型，并利用对称性评估概率查询；然而，从部分、噪声观测中学习此类模型通常不可行。本文通过隐式学习与一阶关系概率推理技术协调这两个挑战。具体而言，我们将在多项式时间内将不完整的谓词逻辑公理与独立采样、部分观察到的例子合并为求和平方（SOS）层次的一个有界度片段。我们的算法同时执行两种提升：（i）地面提升，其中等价的地面矩共享一个变量，压缩个体域；（ii）世界提升，其中所有伪模型（部分世界分配）并行强制执行，生成一个适用于所有符合所学约束的世界的全局边界。这些创新成果首次提出了一个多项式时间框架，隐式学习一阶概率逻辑并在个体和世界层面进行提升推理。