En lenguajes de programación y aprendizaje automático , la síntesis de programas bayesianos (BPS) es una técnica de síntesis de programas en la que los programas probabilísticos bayesianos construyen automáticamente nuevos programas probabilísticos bayesianos. [1] Este enfoque contrasta con la práctica de rutina en la programación probabilística donde los desarrolladores humanos escriben manualmente nuevos programas probabilísticos.
El marco
La síntesis de programas bayesianos (BPS) se ha descrito como un marco relacionado con la programación probabilística y que la utiliza. En BPS, se generan programas probabilísticos que son en sí mismos previos sobre un espacio de programas probabilísticos. Esta estrategia permite la síntesis automática de nuevos programas mediante inferencia probabilística y se logra mediante la composición de programas de componentes modulares.
La modularidad en BPS permite que la inferencia funcione y pruebe programas probabilísticos más pequeños antes de integrarse en un modelo más grande. [2]
Este marco puede contrastarse con la familia de campos de síntesis de programas automatizados , que incluyen programación por ejemplo y programación por demostración . El objetivo en tales campos es encontrar el mejor programa que satisfaga alguna restricción. En la síntesis de programas tradicional, por ejemplo, la verificación de restricciones lógicas reduce el espacio de estado de los programas posibles, lo que permite una búsqueda más eficiente para encontrar un programa óptimo. La síntesis de programas bayesianos difiere en que las restricciones son probabilísticas y el resultado es en sí mismo una distribución sobre los programas que se puede refinar aún más.
Además, la síntesis del programa bayesiano se puede contrastar con el trabajo sobre el aprendizaje del programa bayesiano, donde los componentes probabilísticos del programa se escriben a mano, se entrenan previamente con datos y luego se ensamblan a mano para reconocer los caracteres escritos a mano. [3]
Ver también
Referencias
- ^ Saad, Feras A .; Cusumano-Towner, Marco F .; Schaechtle, Ulrich; Rinard, Martin C .; Mansinghka, Vikash K. (enero de 2019). "Síntesis bayesiana de programas probabilísticos para el modelado automático de datos". Proc. Programa ACM. Lang . 3 (POPL): 37: 1–37: 32. arXiv : 1907.06249 . Código bibliográfico : 2019arXiv190706249S . doi : 10.1145 / 3290350 . ISSN 2475-1421 .
- ^ "Máquinas parlantes: Programación probabilística, con Ben Vigoda | Robohub" . robohub.org . Consultado el 4 de marzo de 2017 .
- ^ Lake, Brenden M .; Salakhutdinov, Ruslan; Tenenbaum, Joshua B. (11 de diciembre de 2015). "Aprendizaje de conceptos a nivel humano a través de la inducción probabilística del programa" . Ciencia . 350 (6266): 1332-1338. Código Bibliográfico : 2015Sci ... 350.1332L . doi : 10.1126 / science.aab3050 . ISSN 0036-8075 . PMID 26659050 .
enlaces externos
- Comentario sobre BPS por David Garrity : Inteligencia artificial para ver un progreso significativo en 2017