4、一阶概率语言及相关技术研究

一阶概率语言及相关技术研究

1. 一阶概率语言研究进展

在一阶概率语言（FOPL）领域，已经有很多关于学习更复杂的选择和聚合规则来估计单个变量条件分布的工作。不过，目前还没有使用这些复杂技术来学习多变量有向无环FOPL模型的相关研究，虽然它们已被用于学习称为依赖网络的循环有向模型。

另外，也有一些关于随机逻辑程序和马尔可夫逻辑的结构学习工作，这些工作基于归纳逻辑编程技术在逻辑公式上进行搜索。研究人员对开发BLOG模型的结构学习算法感兴趣，这项工作可能会从BLOG依赖语句语法的受限版本开始。

在FOPL模型的依赖结构学习算法中，通常假设函数、谓词和对象类型是已知的。但约翰·麦卡锡指出，假设新的对象和关系来解释观察到的数据是人类学习的一个基本部分。例如，假设一个关于研究人员的二元谓词“Colleagues(r1, r2)”可以解释研究人员在作者列表中共同出现的情况。归纳逻辑编程文献中已经有很多关于谓词发明的工作，但如何将其推广到概率情况尚不清楚。在FOPL模型中发明一个新的随机函数（或谓词）相当于发现一整族隐藏变量。在贝叶斯网络中发现隐藏变量的任务已经被研究过，最近也有人尝试将这些想法应用到BLP中。

此外，通过自动假设新的对象类型来改进概率模型也是可能的。例如，为了解释引用标题后反复出现的子字符串，系统可能会假设一种可以称为“会议”的对象。一种已经实现的简单类型发明形式是对一些观察到的对象进行聚类，并将这些聚类视为一种新的对象类型。在这种情况下，假设的类型在概率模型中扮演着预定的角色，而在一般情况下，希望系统能够发现需要填补的角色。

2. 学习与推理技术的集成

自人工智能早期以来，自动推理一直是一个难以实现的目标。直到