[论文解读] Nesting Probabilistic Inference

Theofrastos Mantadelis, Gerda Janssens|arXiv (Cornell University)|Dec 16, 2011

Semantic Web and Ontologies参考文献 6被引用 13

一句话总结

本文提出了一种参数化的 ProbLog 引擎架构，通过基于栈的机制挂起和恢复推理实例，实现嵌套的概率推理。该方法支持元调用、否定和答案枚举，在概率逻辑编程中实现，实验显示仅带来 1% 的性能开销，同时支持复杂的概率推理工作负载。

ABSTRACT

When doing inference in ProbLog, a probabilistic extension of Prolog, we extend SLD resolution with some additional bookkeeping. This additional information is used to compute the probabilistic results for a probabilistic query. In Prolog's SLD, goals are nested very naturally. In ProbLog's SLD, nesting probabilistic queries interferes with the probabilistic bookkeeping. In order to support nested probabilistic inference we propose the notion of a parametrised ProbLog engine. Nesting becomes possible by suspending and resuming instances of ProbLog engines. With our approach we realise several extensions of ProbLog such as meta-calls, negation, and answers of probabilistic goals.

研究动机与目标

• 解决现有概率逻辑编程系统（如 PHA、PRISM 和 PITA）缺乏对嵌套概率查询的支持问题。
• 在 ProbLog 中实现高级概率元编程，包括元调用、否定和答案枚举。
• 设计一种机制，在嵌套查询中保持概率书面对账，避免干扰。
• 实现基于栈的挂起与恢复机制，用于 ProbLog 推理引擎。
• 评估在真实工作负载中嵌套推理带来的性能开销。

提出的方法

• 引入一种参数化的 ProbLog 引擎，封装特定推理方法的推理状态和参数。
• 使用栈在嵌套查询执行期间挂起和恢复 ProbLog 引擎实例。
• 通过类似 exact((G2, exact((G2, ...)), G1)) 的递归结构表示包含元调用的嵌套查询，实现深层嵌套。
• 扩展核心查询谓词 problog_inference(Inference, Query, ResultType, Result)，以支持多种结果类型：概率、答案和 DNF 表示形式。
• 通过元调用实现新的原语，如 problog_not/1 和 problog_answers/3，以支持高级概率推理。
• 利用现有的 ProbLog 桌面化（tabling）和 SLD 求解扩展，以保证正确性和效率。

实验结果

研究问题

• RQ1 能否在不破坏概率书面对账的前提下，支持 ProbLog 中的嵌套概率推理？
• RQ2 与平坦查询相比，嵌套推理引入的性能开销有多大？
• RQ3 如何实现概率元调用，以支持高阶概率编程？
• RQ4 现有的 ProbLog 原语（如否定和答案枚举）能否通过新的引擎挂起机制实现？
• RQ5 所提出的方法是否可扩展至精确推理以外的其他推理方法？

主要发现

• 所提出的方法通过基于栈的机制挂起和恢复 ProbLog 引擎，成功实现了嵌套概率推理。
• 10 次运行中嵌套查询的平均执行时间保持稳定，标准差较低（例如，114–340 毫秒），表明性能一致。
• 嵌套引入的性能开销极小——约 1%，在多种嵌套深度和查询类型下测量得出。
• 该方法支持高级功能，如元调用、否定（通过 problog_not/1）和答案枚举（通过 problog_answers/3）。
• 实验结果表明，嵌套深度对性能影响不大，系统在执行时间上保持高精度和低方差。
• 该方法具有可扩展性，可适配其他推理方法，包括基于支持图或桌面化执行的方法。